风格迁移（Style Transfer）就是：保留一张图的内容，换上另一张图的画法。你拍一张街景照片，套上《星月夜》的笔触和配色，房子还是那栋房子，看起来却像梵高画的。这里的街景是内容图（content image），画作是风格图（style image）。
原理：把"画什么"和"怎么画"拆开
内容是构图和轮廓——哪里是房子、哪里是路；风格是笔触、纹理、配色、明暗对比。神经网络的做法很巧妙：拿一个预训练的图像识别网络（如经典的 VGG），它中间层提取的特征既包含内容也包含纹理。于是用两个损失函数互相拉扯——内容损失（content loss）要求输出图与内容图的深层特征接近，风格损失（style loss）要求输出图与风格图的纹理统计接近。风格统计常用 Gram 矩阵（Gram matrix）刻画通道间的相关性：它只描述"纹理长什么样"，不管纹理出现在哪。从一张噪声图出发反复迭代、让总损失变小，图就"重画"好了。像临摹：草稿结构不动，颜料和笔刷全换人。
从逐张优化到今天的参考图
早期每张图都要现场优化，很慢；后来训练前馈网络，一次训练、之后秒出；再后来 AdaIN（Adaptive Instance Normalization）一类方法把风格简化为特征均值与方差的统计对齐，可以任意风格实时切换。进入扩散模型（AI 词典：Diffusion Model">Diffusion Model）时代，玩法变成了给参考图（reference image）：让生成结果在色彩、质感、氛围上贴近它，IP-Adapter、ControlNet 都属于这类控制手段。本质没变——决定保留什么、替换什么。
和相邻概念的区别
| 概念 | 改什么 | 保留什么 | 输入 |
|---|---|---|---|
| 滤镜 | 全局颜色曲线 | 所有像素结构 | 一张图 |
| 风格迁移 | 笔触、纹理、配色 | 构图与轮廓 | 内容图 + 风格图 |
| 图像翻译 | 域属性（季节、物种） | 大致构图 | 一张或一对图 |
| 文生图 | 从零生成 | 无 | 文字提示 |
滤镜只调色、不改"怎么画"，这是最容易被混淆的一点。
对从业者和普通人的意义
对从业者，"内容与风格解耦"是表征学习的经典思路，感知损失（perceptual loss）、AdaIN、Gram 矩阵这些工具今天仍活跃在参考图控制与个性化生成里。调参时反复问的还是那句：哪些特征锁住，哪些放开。
对普通人，能用的场景不少：产品图统一视觉风格、草图渲染成插画、给照片套一套海报模板。但要留意版权与肖像权——模仿在世艺术家的署名或作品用于商用风险不低，平台规则和具体法律适用以官方页面与专业意见为准。