一、為什么UNET模型可以用于去噪網絡

下采樣部分: 能夠提取圖像的深層次特征，這些特征往往包含圖像的重要結構和信息，而噪聲通常被視為不相關的隨機信息。通過卷積層的逐層處理，噪聲信息在特征提取過程中被逐漸削弱。
上采樣部分: 利用上采樣和卷積操作恢復圖像的尺寸和細節。跳躍連接結構將編碼器的特征圖直接傳遞給解碼器，使得解碼器能夠利用更多的信息來恢復圖像的細節，同時避免信息丟失和模糊。

二、擴散模型中的UNET是一個條件去噪網絡，怎么實現的

我們知道普通的UNET是一個單獨的去噪網絡，擴散模型中的UNET是一個條件去噪網絡，那這個條件去噪網絡是怎么實現的呢，答案就是time embedding，實現過程如下圖所示，我們可以把這個過程理解為一個查表操作，根據輸入t，按照PositionalEmbedding 查找對應特征向量，再經過線性和非線性變換，最終得到一個指示向量，目的是告訴去噪網絡，我現在在做的是第t步的去噪。

三、UNET用于分割和用去去噪的區別

分割： 在圖像分割任務中，訓練數據是原始圖像，原始圖像中存在的所有對象都可以被標記為某一類別。一張圖像所對應的標簽一般是與原始圖像相同尺寸的標簽矩陣，即“遮罩矩陣”。遮罩矩陣中的顏色數量等同于這張標簽上的標簽類別數量。
降噪： 在降噪任務中，訓練數據集包含噪聲圖像和對應的清晰圖像。UNET模型將噪聲圖像輸入編碼器，通過前向傳播計算損失函數，衡量噪聲圖像與清晰圖像之間的差異，并使用反向傳播更新模型參數，優化模型的降噪性能。