标准回答
共同动机
两者都为解决深层网络的梯度消失、改善信息与梯度在层间的流动，让网络可以做得更深。
ResNet：残差相加
每个残差块学习残差 F(x)，输出为 F(x) + x，即恒等映射加法跳连。梯度可经恒等路径直达浅层，缓解梯度消失；特征维度需对齐（必要时用 1×1 卷积调整通道）。
DenseNet：密集拼接
第 l 层接收前面所有层输出的特征图，按通道拼接（concat）作为输入。这带来：
- 强特征复用，浅层特征被后续层直接访问；
- 每层只需产生少量新特征（growth rate 较小），参数量反而更省；
- 梯度流更顺畅。
代价
拼接会让通道数随深度累积增长，中间特征图显存占用更高、实现上需 transition 层（1×1 卷积 + 池化）压缩通道。详见 CNN 从 LeNet 到 ResNet。
常见误区
⚠️ 常见踩坑
核心区别是「相加 vs 拼接」：ResNet 是逐元素相加、维度不变，DenseNet 是按通道拼接、通道数累积；别把 DenseNet 说成参数更多——它参数更省但显存更高。
追问
追问 1：为什么 DenseNet 参数反而更省？
因为每层都能直接复用前面所有层的特征，不必重复学习冗余表示，所以每层只需输出很少的新通道（growth rate，如 12/32）。窄层叠加加上 transition 层压缩通道，使总参数量在同等精度下小于很多传统网络；代价是拼接带来的中间特征显存开销大。
追问 2：ResNet 的恒等映射为何能缓解梯度消失？
加法跳连在反向传播时给梯度提供了一条「+1」的恒等通路，梯度可以绕过中间非线性变换直接回传到浅层，避免连乘小于 1 的雅可比导致梯度指数衰减，从而让上百层网络也能稳定训练。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。