VGG
经典卷积神经网络架构，以使用小卷积核堆叠和统一简洁的结构著称，验证了网络深度对性能的重要性
时间轴 (近 90 天)
感知损失由 Johnson 等人提出，将重建图像与真实图像送入预训练特征提取网络，比较中间层特征图差异。
计算机视觉模型谱系比语言模型更杂，包括 LeNet、AlexNet、VGG、ResNet、DenseNet、EfficientNet、Vision Transformer、Swin、ConvNeXt 等，每个架构都在解决前一个架构暴露出的具体缺陷。
感知损失利用预训练的VGG网络提取图像的高级特征表示,在特征空间而非像素空间计算生成图像与目标图像的差距
该综述发现EfficientNet在VHS估计任务精度上明显优于ResNet与VGG架构，但临床部署严重滞后
Gatys的方法通过优化图像像素使其在VGG网络不同层的特征表示同时匹配内容图和风格图的统计特征（Gram矩阵），每张图需要数分钟的迭代优化
全部知识事实 (6)
早期神经风格迁移方法利用VGG网络不同层级的特征响应，每生成一张图片需要数分钟的迭代计算
60%待验证感知损失由 Johnson 等人提出，将重建图像与真实图像送入预训练特征提取网络，比较中间层特征图差异。
50%待验证计算机视觉模型谱系比语言模型更杂，包括 LeNet、AlexNet、VGG、ResNet、DenseNet、EfficientNet、Vision Transformer、Swin、ConvNeXt 等，每个架构都在解决前一个架构暴露出的具体缺陷。
50%待验证感知损失利用预训练的VGG网络提取图像的高级特征表示,在特征空间而非像素空间计算生成图像与目标图像的差距
50%待验证该综述发现EfficientNet在VHS估计任务精度上明显优于ResNet与VGG架构，但临床部署严重滞后
50%待验证Gatys的方法通过优化图像像素使其在VGG网络不同层的特征表示同时匹配内容图和风格图的统计特征（Gram矩阵），每张图需要数分钟的迭代优化
50%