U-Net是一种用于图像分割任务的卷积神经网络架构，由Ronneberger等人于2015年提出，最初面向生物医学图像分析设计。其核心结构由对称的编码器（下采样路径）和解码器（上采样路径）组成，并通过跳跃连接（skip connections）融合不同层级的特征信息，能够在少量训练数据下实现精确的像素级分割，广泛应用于医学影像、遥感图像及工业视觉等领域。
作者采用U-Net架构将排行榜分数推到了0.27
标准U-Net在极端低对比度场景下存在感受野受限、跳跃连接传递的低层特征可能是噪声、无内置注意力机制等固有限制
扩散模型的反向过程通常使用U-Net或DiT（Diffusion Transformer）架构来预测每一步应去除的噪声量
一个Checkpoint文件通常包含完整的U-Net去噪网络权重，文件大小在2-7GB之间
U-Net由Ronneberger等人于2015年提出，最初用于医学图像分割任务