概述
unet3+是在unet以及unet++的基础上提出来的，unet的核心是skip-connection。
而unet++也正是在这个核心上做的改动，使用了重叠的稠密卷积代替粗暴的特征融合。
而unet3+注意到，unet和unet++没有直接从多尺度信息中提取足够多的信息，基于这一点，设计了一种新的skip-connection的结构，更好的将低级细粒度信息和高级语义特征进行了融合，并且这种结构的参数量会比unet和unet++都少。同时，对于decoder的输出进行深度监督，并且提出了一种新的损失函数进行训练。另一方面，使用分类做了指导，降低在背景图中过度分割的情况。
注：unet和unet++没有直接从多尺度信息中提取足够多的信息指的是，unet是根据对应层的encoder的输出以及下一层decoder上采样的结果构造当前层decoder的，没有进行了多尺度信息的利用；而unet++虽然通过嵌套和密集跳过连接进行了多尺度信息的利用，但是更像是对于encoder特征的不断处理，而不是对原始特征的利用；unet3+则是对原始特征进行了多尺度信息的利用。
以下就是三种结构的比较示意图：
细节
Full-scale Skip Connections
unet3+还是在unet基础上改动得到的，故他依然是encoder-decoder的结构。encoder部分其实unet，unet++还有unet3+都是相同的，关键是decoder部分是怎么得到的。unet3+中的做法是，encoder中层数小于等于当前层的特征图经过池化（无重叠最大池化）和卷积操作得到64个通道的特征图（当然，层数相同的那一层不需要池化操作），然后decoder中层数大于当前层的特征图经过上采样（双线性插值）和卷积同样得到64个通道的特征图，接着将这些特征图concat起来，以作者采用的5层结构为例，总共会有64x5=320，这320个通道数的特征图，经过卷积、正则化、和激活函数之后就构成了decoder的一层了。
上述过程的形式化表述就是：
并且，有一个不得不提的是，尽管unet3+的结构相对于unet会复杂，但是在保证相同的encoder的基础上，参数量反而会少。也就是保证相同的encoder，参数量排名是：unet3+<unet<unet++
Full-scale DeepSupervision
unet3+和unet++都采用深度监督，从多尺度聚合的特征图中学习层次表示，但是监督的位置信息不同哟，这点从图中的sup位置就能发现。unet++对第一层特征图进行监督，具体的操作是在这些特征图的后面都接c（C是类别个数）个1x1的卷积核和一个sigmoid函数，得到最后的分割结果；而unet3+则是对decoder的每一个层对应一个侧输出，这个输出经过3x3的卷积、上采样和sigmoid函数，得到分割的结果。其中上采样是为了得到全尺寸的特征图，使用相同的gt进行监督。
开发了一种混合损失用于在三级层次结构（像素级、补丁级和图片级）中进行分割，它能捕获大尺度的和精细结构清晰的边界，损失函数：是MS-SSIM loss+focal loss+ IoU loss，其中
- 多尺度结构相似性指数 (MM-SSIM) 损失用于为模糊边界分配更高的权重。
- Focal loss起源于RetinaNet，用于处理类不平衡问题。
- 使用标准IoU 损失。
Classification-guided Module
在encoder的最后一层或者说是decoder的最后一层，经过dropout、1x1卷积、最大池化和sigmoid函数得到两个值，然后经过argmax函数转换成单个输出，表示有或者没有目标，然后我们将这个输出与侧分割相乘，得到更加准确的分割结果。解决由于较浅层中背景噪声等残留信息导致过分割的现象