U-Net的对称编码器-解码器结构设计

U-Net由Ronneberger等人于2015年提出，专门为医学图像分割设计，以其对称的U形结构闻名。

对称编码器-解码器结构：

1. 编码器（收缩路径）：

   • 4个下采样阶段，每个阶段包含两个3×3卷积（ReLU）+ 2×2最大池化（步长2）。
   • 特征图通道数逐级翻倍：64→128→256→512→1024。
   • 逐步提取高层次语义特征，同时降低空间分辨率。

2. 解码器（扩张路径）：

   • 4个上采样阶段，每个阶段先进行2×2反卷积（上采样，通道数减半）。
   • 然后与编码器对应层的特征图拼接。
   • 拼接后接两个3×3卷积（ReLU）。
   • 特征图通道数逐级减半：1024→512→256→128→64。

跳跃连接（Skip Connections）的设计原理：

• 直接将编码器每层的特征图裁剪后拼接到解码器对应层。
• 作用：将浅层的细粒度空间位置信息（边缘、纹理）传递给深层，弥补解码器上采样过程中丢失的细节。
• 解决了分割任务中'Where'（位置信息来自浅层）和'What'（语义信息来自深层）的融合问题。

优势：

1. 小数据量下也能有效训练（数据增强+端到端）。
2. 输出图像和输入图像大小一致（Valid卷积后需裁剪）。
3. 分割精度高，尤其是边界区域的精细分割。
4. 已成为医学图像分割的基准架构，衍生出U-Net++、Attention U-Net等多个变体。