In diesem Paper zeigen wir, dass eine gute Stilrepräsentation entscheidend und ausreichend für die generalisierte Stilübertragung ohne Anpassung im Testzeitpunkt ist. Dies erreichen wir durch die Konstruktion eines stilbewussten Encoders und eines gut strukturierten Stildatensatzes namens StyleGallery. Durch eine gezielte Gestaltung für Stil-Lernprozesse wird der stilbewusste Encoder mit einer entkoppelten Trainingsstrategie darauf trainiert, ausdrucksstarke Stilrepräsentationen zu extrahieren, während StyleGallery die Generalisierungsfähigkeit ermöglicht. Zusätzlich verwenden wir einen Content-Fusion-Encoder, um die stilspezifische Bildübertragung zu verbessern. Wir betonen, dass unser Ansatz, StyleShot genannt, einfach aber effektiv ist, verschiedene gewünschte Stile – wie 3D-, flache, abstrakte oder sogar feinkörnige Stile – nachzuahmen, ohne Anpassungen im Testzeitpunkt vorzunehmen. Rigorose Experimente bestätigen, dass StyleShot gegenüber bestehenden state-of-the-art-Methoden eine überlegene Leistung über eine breite Palette von Stilen hinweg erzielt. Die Projektseite ist unter folgender Adresse verfügbar: https://styleshot.github.io/.