最初的神經風格轉換（Gatys 等人，2015）透過最佳化一張圖像來同時匹配一張圖的內容特徵和另一張圖的風格特徵（紋理、色彩模式）。內容由深層激活捕捉（表示物體和結構），風格由早期/中期層激活的 Gram 矩陣捕捉（表示與空間排列無關的紋理和模式）。
原始方法速度緩慢（每張圖需數分鐘，逐像素最佳化）。快速風格轉換訓練一個前饋網路，在單次前向傳播中應用特定風格（毫秒級）。代價是：每個網路只能做一種風格。AdaIN（自適應實例正規化）透過調整正規化統計量來匹配任意參考風格，解決了這個問題，實現了即時的任意風格轉換。
如今，風格轉換在很大程度上已被圖像生成模型所取代。ControlNet 搭配風格參考、IP-Adapter 進行風格條件化，以及直接提示（「以水彩畫風格呈現」）都能實現比專用風格轉換網路更靈活且更高品質的風格轉換。但核心洞見——神經網路在不同層級分離內容與風格——仍然是理解視覺表示的基礎。