Normal‑inverse‑gamma（NIG）回归的边缘 Student‑t 似然并不能唯一确定四个 NIG 参数，只能确定其中的三个组合，参数空间沿着一条一维纤维保持不变。我们利用独立的物理测量来识别这条纤维。
在首次实现中，重建网络接受一幅带噪声的滤波反投影（FBP）图像，首先仅使用 Student‑t 负对数似然进行训练，以估计可辨识的坐标 $(\gamma, \alpha, c)$。网络随后被冻结；对其重建输出进行多次物理噪声模拟，得到输出域的 aleatoric 方差的 Monte Carlo（MC）教师标签。将 aleatoric 头接在冻结的特征上学习该标签后，$(\beta, \nu)$ 可通过代数方式恢复。
在 30 个未见的模拟对象上，分别在五个光子水平下进行测试，单幅图像的预测与独立的 400 次重复参考的 Spearman 相关系数在 0.832‑0.951 之间，图像内部的中位相关系数在 0.834‑0.947，且 98.81‑99.55% 的像素满足代数可接受性条件。该方法不需要 KL 项、参考先验、证据正则化或交叉损失权重。
点评