U-Net架构常作为扩散模型的骨干，通过其带跳跃连接的编码器-解码器结构，有效捕获空间层次。尽管有效，标准U-Net实现仍需修改，以应对扩散过程和复杂生成任务的特定要求。

本章审视针对扩散模型定制的U-Net架构改进。我们将分析注意力机制 (attention mechanism)（具体而言是自注意力 (self-attention)与交叉注意力）的结合，以提升特征表示能力并纳入条件信息。你将学习有效注入时间步嵌入 (embedding) ($t$) 的方法，以及处理除简单类别标签之外的更高级条件输入。我们还将讨论旨在提升计算效率和训练稳定性的架构变体，包括不同的归一化 (normalization)技术，例如组归一化和自适应层归一化 (AdaLN)。在本章结束时，你将理解如何实现并分析这些复杂的U-Net变体，以构建更强大的扩散模型。