视觉风格化是艺术创作的核心要素之一，然而生成新颖且一致的视觉风格仍面临重大挑战。现有的生成方法通常依赖于冗长的文本提示、参考图像或参数高效的微调来引导风格感知的图像生成，但往往在风格一致性、创造力有限以及复杂风格表征方面存在不足。本文提出一个全新观点：一个视觉风格，仅需一个数值编码即可表征，由此引入了一项创新任务——代码到风格的图像生成（code-to-style image generation），该任务仅通过一个数值风格代码，即可生成具有新颖且一致视觉风格的图像。截至目前，该领域主要由工业界（如 Midjourney）探索，学术界尚无开源研究工作。为填补这一空白，我们提出 CoTyle，这是首个面向该任务的开源方法。具体而言，我们首先从大量图像中训练一个离散的风格代码本（discrete style codebook），以提取风格嵌入（style embeddings）。这些嵌入作为条件输入，驱动文本到图像扩散模型（Text-to-Image Diffusion Model, T2I-DM）生成具有特定风格的图像。随后，我们在离散风格嵌入上训练一个自回归风格生成器，以建模其分布，从而实现新风格嵌入的合成。在推理阶段，给定一个数值风格代码，风格生成器将其映射为唯一的风格嵌入，该嵌入进一步指导 T2I-DM 生成对应风格的图像。与现有方法相比，我们的方法在结构上具有前所未有的简洁性与多样性，仅需极简输入即可从广阔风格空间中生成可复现、一致且富有创意的视觉风格。大量实验验证了 CoTyle 的有效性，充分证明了“一个风格，仅需一个代码”的核心理念，实现了将数值代码高效转化为风格控制器的突破。