U-Net là một kiến trúc mạng nơ-ron được sử dụng trong Stable Diffusion để tạo hình ảnh. Nó nhận text embedding làm đầu vào và tạo ra một hình ảnh phù hợp với prompt. U-Net hoạt động bằng cách lặp đi lặp lại quá trình khuếch tán ngược, bắt đầu từ nhiễu thuần túy và dần dần loại bỏ nhiễu để tạo ra hình ảnh. U-Net được thiết kế để nắm bắt các đặc trưng ở nhiều quy mô khác nhau và có thể tạo ra các hình ảnh có độ phân giải cao và chi tiết.