本研究探讨了U-Net和Attention U-Net架构中感受野大小对模型性能的影响，提出了新的度量指标和理论感受野(TRF)，结果表明存在最佳TRF大小，优化模型性能。注意力机制的U-Net模型始终优于基本U-Net模型。为开发更高效的U-Net架构提供了宝贵资源，并为未来研究铺平了道路。

本研究探讨了U-Net和Attention U-Net架构中感受野大小对模型性能的影响。结果表明，存在一个最佳的感受野大小，能够在捕获全局背景信息和保持计算效率之间取得平衡，优化模型性能。注意力机制的U-Net模型始终优于基本U-Net模型。这些发现为开发更高效的U-Net架构提供了宝贵资源，并为未来的研究铺平了道路。