U-Net 2015年，Ronneberger等人在ISBI竞赛中首次提出了经典的U型对称结构——U-Net[71]用于医学图像分割，其在医学影像领域影响深远。U-Net的核心优势在于其强大的小样本学习能力，通过高效的特征提取与精准的像素级定位，被广泛应用至图像重建、增强及去噪等任务中。从整体结构来看，U-Net主要由编码器和解码器两部分构成。编码器核心功能是逐步提取输入图像的高层语义特征并压缩空间维度。具体而言，每一级编码模块由两个连续的卷积层和激活函数组成，用于实现局部特征提取和非线性映射，通过逐层压缩来扩大网络的感受野，使模型获得更加丰富的上下文语义信息。解码器主要作用是对编码阶段获得的深层特征进行逐级恢复，并重建高分辨率特征图，实现目标区域的精确定位。解码模块通过上采样卷积对特征图进行上采样，随后通过两个卷积层进一步融合与细化特征信息，并通过激活函数增强网络的非线性表达能力。随着上采样过程的逐步进行，低分辨率但具有丰富语义信息的特征被逐渐恢复至高分辨率空间，实现空间细节的重建。为弥补编码过程中因下采样导致的空间细节信息损失，U-Net在对应尺度的编码层与解码层之间引入了跳跃连接机制。具体而言，将编码阶段对应层的特征图与解码阶段当前层的特征图进行拼接，使浅层的高分辨率位置信息与深层的高语义信息得到有效融合。利用多尺度特征融合策略来显著提高模型对边界细节和结构信息的恢复能力，从而提升分割精度和重建质量。 在网络输出阶段，U-Net通过一个1×1卷积层将高维特征映射至目标类别空间，实现像素级分类或图像重建，并输出与输入图像尺寸一致的结果。作为端到端的卷积神经网络结