في هذه الدراسة، نعالج المشكلة الصعبة لنقل الأسلوب من صورة إلى أخرى بشكل عشوائي باستخدام طريقة جديدة لتعلم تمثيل ميزات الأسلوب. يُعد التمثيل المناسب للأسلوب، كعنصر رئيسي في مهام تزيين الصور، أمراً ضرورياً لتحقيق نتائج مرضية. ورغم أن النماذج القائمة على الشبكات العصبية العميقة تحقق نتائج معقولة باتباع إحصائيات الدرجة الثانية، مثل مصفوفة جرام لميزات المحتوى، إلا أنها لا تستفيد بالكامل من المعلومات المتعلقة بالأسلوب، مما يؤدي إلى ظهور تشوهات مثل التشوهات المحلية وعدم اتساق الأسلوب. لحل هذه المشكلات، نقترح تعلّم تمثيل الأسلوب مباشرة من ميزات الصورة بدلًا من الاعتماد على إحصائيات الدرجة الثانية، وذلك من خلال تحليل التشابهات والاختلافات بين أنماط متعددة، مع أخذ توزيع الأسلوب بعين الاعتبار. بشكل خاص، نقدّم طريقة نقل الأسلوب العشوائي المتناقض (CAST)، وهي طريقة جديدة لتعلم تمثيل الأسلوب ونقله عبر التعلّم المتناقض. يتكوّن إطار عملنا من ثلاث مكونات رئيسية: مشروع ميزات الأسلوب متعدد الطبقات لترميز الشفرات الخاصة بالأسلوب، ووحدة تعزيز المجال لتعلم فعّال لتوزيع الأسلوب، وشبكة توليدية لنقل الأسلوب بين الصور. وقد أجرينا تقييمات نوعية وكمية شاملة، تُظهر أن منهجنا يحقق نتائج أفضل بشكل ملحوظ مقارنةً بالأساليب الرائدة حديثًا. يمكن الوصول إلى الكود والنماذج عبر الرابط: https://github.com/zyxElsa/CAST_pytorch