UNet2DModel

UNet 模型最初由 Ronneberger 等人引入，用于生物医学图像分割，但它也常用于 🤗 Diffusers，因为它输出的图像与输入图像大小相同。它是扩散系统中最重要的组件之一，因为它促进了实际的扩散过程。在 🤗 Diffusers 中，有几种不同变体的 UNet 模型，具体取决于其维度数量以及它是否是条件模型。这是一个 2D UNet 模型。

论文的摘要如下：

大量共识认为，深度网络的成功训练需要数千个带注释的训练样本。在本文中，我们提出了一种网络和训练策略，该策略依赖于大量使用数据增强，以更有效地利用可用的带注释样本。该架构由一个收缩路径来捕捉上下文和一个对称的扩展路径，以实现精确的定位。我们展示了这样一个网络可以从非常少的图像中进行端到端训练，并且在电子显微镜堆栈中神经结构分割的 ISBI 挑战中优于先前最好的方法（滑动窗口卷积网络）。使用在透射光显微镜图像（相位对比和 DIC）上训练的相同网络，我们在 2015 年 ISBI 细胞追踪挑战赛的这些类别中以较大优势获胜。此外，该网络速度很快。在最近的 GPU 上，对 512x512 图像进行分割仅需不到一秒钟。完整的实现（基于 Caffe）和训练好的网络可在 http://lmb.informatik.uni-freiburg.de/people/ronneber/u-net 获取。

UNet2DModel

[[autodoc]] UNet2DModel

UNet2DOutput

[[autodoc]] models.unets.unet_2d.UNet2DOutput