U-Net是弗赖堡大学计算机科学系为生物医学图像分割开发的卷积神经网络。其基于完全卷积网络，并在结构上加以修改与扩展，使得它可以用更少的训练图像产生更精确的分割。在现代GPU上，分割一张512×512的图像需要的时间不到一秒。

U-Net架构已经在扩散模型中采用，用于迭代式图像去噪音。这种技术位于很多现代图像生成模型的底层，比如DALL-E、Midjourney和Stable Diffusion。

描述
U-Net的结构源于Long、Shelhamer和Darrell提出的所谓“全卷积网络”。

应用
U-Net在生物医学图像分割中有大量应用，如脑图像分割（BRATS）、肝图像分割（"siliver07"）和蛋白质结合点预测等等。U-Net的变体也被应用于医学图像重建。下面是U-Net的部分变体及其应用：

基于U-Net的像素回归及其在泛锐化上的应用：；

3D U-Net：从稀疏标注学习密集体积分割；

TernausNet：在ImageNet上预先训练的用于图像分割的带VGG11编码器U-Net；

估计荧光染色的图到图翻译；

#蛋白质结构活性位点预测。

参考文献
實現

• [https://github.com/jakeret/tf_unet Tensorflow Unet] by J Akeret (2017)
• [https://lmb.informatik.uni-freiburg.de/people/ronneber/u-net/ U-Net source code] 來自德國弗萊堡大學電腦科學系的模式識別與影像處理。