다중 대조 자기공명영상 (Multi-contrast MRI)은 임상 진단을 위한 상호 보완적인 정보를 제공합니다. 그러나 모든 MRI 시퀀스를 획득하는 것은 종종 시간과 비용이 많이 소요됩니다. 최근의 생성 모델 (Generative models)은 가용한 시퀀스로부터 결여된 대조를 추론함으로써 이 문제를 해결하기 위해 교차 대조 합성 (Cross-contrast synthesis)을 수행합니다. 그럼에도 불구하고, 3D MRI를 합성하는 것은 상당한 어려움을 수반합니다. 거대한 볼륨 크기로 인해 픽셀 공간 (Pixel space)에서 직접 작동하는 것은 계산적으로 불가능하므로, 일반적인 접근 방식은 먼저 3D 볼륨을 잠재 공간 (Latent space)으로 압축한 다음 해당 공간에서 생성 모델을 훈련하는 것입니다. 우리는 기존의 압축 아키텍처가 몇 가지 중요한 문제에 직면해 있음을 관찰했습니다: 장거리 해부학적 일관성 (Long-range anatomical coherence)을 충분히 보존하지 못하고, 임상적으로 의미 있는 의미론적 정보 (Semantics)를 버리며, 재구성이 과도하게 매끄러워지는 (Over-smoothed) 최적화 목표에 의존한다는 점입니다. 궁극적으로 이러한 단점들은 후속 생성 모델의 성능을 저하시킵니다. 본 연구에서는 3D MRI 재구성 및 교차 대조 합성을 위한 '의미 우선 (Semantics-first)' 잠재 모델링 프레임워크를 제안합니다. 구체적으로, 우리는 전역적인 해부학적 의존성을 포착하여 일관된 볼륨 표현을 보장하는 잠재 조화 인코더 (Latent Harmonization Encoder, LHE)를 도입합니다. 잠재 압축 과정 중 발생하는 의미론적 저하를 완화하기 위해, 우리는 자기 지도 학습 기반의 의미론적 교사 (Self-supervised semantic teacher)로부터 고수준의 사전 정보 (Priors)를 주입하여 잠재 공간에서의 대조 인식 분리성 (Contrast-aware separability)을 향상시키는 의미론적 복원 블록 (Semantic Recovery Block, SRB)을 설계했습니다. 또한, 진단적으로 중요한 고주파 구조를 적응적으로 보존하기 위해 해부학 인지 주파수 손실 (Anatomy-aware Frequency Loss, AFL)을 제안합니다. 두 개의 공개 다중 대조 MRI 데이터셋에 대한 광범위한 실험을 통해 재구성 충실도 (Reconstruction fidelity)와 교차 대조 합성 품질이 일관되게 향상됨을 입증했습니다. 우리의 코드는 https://github.com/script-Yang/RSF 에서 확인할 수 있습니다.