通常のパルスエコー超音波は、低コストのプローブが狭い帯域幅しか提供できないため、パルスが伸び、高周波の詳細が失われるという制約があります。この研究では、帯域制限された信号から帯域幅の広いスペクトログラムへのデータ駆動型のマッピングを学習することで、この制約を克服します。そのために、Tiny Vision Transform (ViT) の変種を利用した自己符号化器がシミュレーションデータを用いて訓練されます。このネットワークは、異なる散乱-嚢胞ファントムにおいて、画像ドメインの平均二乗誤差（MSE）を90％削減し、信号対雑音比（PSNR）を6.7 dB向上させ、構造類似度指数（SSIM）を0.965に向上させました。また、全く新しい解像度のファントムにおいてポイントターゲットのシャープさも向上させ、フレームレートや位相情報を犠牲にすることなく強力な分布外一般化を示しました。この結果は、既存の狭帯域プローブに単なるソフトウェアアップグレードで広帯域に近いパフォーマンスをもたらす可能性があることを示唆しています。