Graph U-Net是一种用于图像分割的图卷积神经网络模型，其核心思想是将图卷积神经网络（GCN）和U-Net结构相结合，以处理具有复杂形状和局部关联的三维形状数据。它的设计灵感来自于传统的U-Net结构，其中编码器由一系列的卷积层和下采样操作组成，而解码器则由一系列的上采样操作和卷积层组成。但在Graph U-Net中，U-Net结构被修改成了一种基于图卷积神经网络的形式，以适应于图像分割任务。

Graph U-Net的核心是在U-Net结构中使用图卷积层代替传统的卷积层和上/下采样操作。在编码器部分，每一层都会将节点特征从局部邻域中聚合起来，得到更全局的特征表示。而在解码器部分，使用上采样操作将特征图扩展回原始大小，并使用图卷积层将特征从全局再次聚合到局部邻域中。在最后一层，Graph U-Net使用一个全局池化层，将整个图中所有节点的特征汇总成一个向量，然后使用一个或多个全连接层来输出最终的分割结果。

值得注意的是，Graph U-Net的每一层都使用残差连接来促进信息的流动。此外，为了避免过拟合，Graph U-Net还使用了Dropout和L2正则化等技术。最终，Graph U-Net的损失函数通常是交叉熵损失和L2正则化损失的组合。