8. 關於生成式人工智慧(Generative AI)中的風格轉換(Style Transfer)技術，下列何者 最為正確？
(A)風格轉換利用生成對抗網路(GANs)來將一幅圖像的內容轉換為另一幅圖像的風 格
(B)風格轉換主要依賴卷積神經網路(CNN)，透過分離並重組圖像的內容與風格 特徵來生成新圖像
(C)風格轉換只能應用於靜態圖像，尚無法延伸至影片或即時影 像處理
(D)風格轉換技術的主要目標是增強影像解析度。

✔ (B) 風格轉換主要依賴卷積神經網路(CNN)，透過分離並重組圖像的內容與風格 特徵來生成新圖像

風格轉換技術主要依賴卷積神經網路（CNN），使用特定的網路層提取圖像的內容與風格特徵，然後再將這兩種特徵重組生成新的圖像。

這種方法最初由 Gatys 等人於 2015 年提出，是風格轉換技術的經典做法。

❌ (A)風格轉換利用生成對抗網路(GANs)來將一幅圖像的內容轉換為另一幅圖像的風格

雖然 GAN（生成對抗網路）可用於圖像風格遷移（如 CycleGAN），但最早、最經典的風格轉換技術是基於 CNN 而不是 GAN。而且 CycleGAN 更偏向「無需配對資料的風格遷移」，概念與原始風格轉換略有不同。

❌ (C)風格轉換只能應用於靜態圖像，尚無法延伸至影片或即時影像處理

風格轉換已經可以應用於影片與即時影像處理，如 TensorFlow、Torch 等框架中已有即時風格轉換模型實作。

❌ (D) 風格轉換技術的主要目標是增強影像解析度

增強影像解析度（如超解析度）是另一個任務，不是風格轉換的核心目標。風格轉換的主要目的是「改變圖像的視覺風格」，而不是提升畫質。