摘要

本文表明，一个优秀的风格表征对于无需测试阶段微调的泛化风格迁移至关重要且充分。我们通过构建一个风格感知编码器以及一个结构清晰的风格数据集——StyleGallery，实现了这一目标。该风格感知编码器经过专门设计以支持风格学习，采用解耦训练策略，能够提取富有表现力的风格表征；而StyleGallery则有效提升了模型的泛化能力。为进一步增强图像驱动的风格迁移效果，我们引入了内容融合编码器。我们强调，所提出的方法——StyleShot，虽结构简洁，却在无需测试阶段调优的情况下，能够有效模拟多种目标风格，包括3D风格、扁平风格、抽象风格，甚至细粒度风格。大量严谨的实验验证表明，相较于现有最先进方法，StyleShot在广泛多样的风格迁移任务中均展现出更优的性能。项目主页详见：https://styleshot.github.io/。