基于扩散模型的风格迁移一直面临一个两难：推理效率与风格化保真度难以兼顾。适配器类方法虽然高效，但它们把风格作为外部条件注入，结果要么削弱参考图像特有的外观，要么把参考图像中的语义内容直接复制进生成结果。相比之下，LoRA 这类基于优化的个性化方法能更有效地把风格内化到模型之中，却需要为每一种新风格单独执行一次训练过程。
针对这一矛盾，Zhongjie Duan 与 Yingda Chen 在 2026 年 6 月 11 日提交至 arXiv 的论文中提出了 i2L（image-to-LoRA）框架。其核心思路是把风格 LoRA 的训练过程摊销到单次前向传播中：给定一张或多张参考图像，i2L 直接为文本到图像模型预测对应的 LoRA 权重，使风格可以在无需逐风格优化的情况下即时实例化。
在架构上，i2L 由三部分组成：一个图像编码器负责提取参考图像的表示，一组可学习的 LoRA 查询用于与这些表示交互，以及压缩解码头负责生成适配后的矩阵。这样的设计让模型不必真的执行梯度优化，而是通过学习到的预测器直接输出 LoRA 参数。
训练策略同样是该方法的关键。作者在语义多样的风格对上训练预测器，目的是让模型学会在保留参考图像外观线索的同时，抑制把参考内容本身复制到生成图像中的倾向。这一点正是适配器方法常见的失败模式，因此该设计直接针对已有方法的短板。
实验方面，研究者在 Z-Image、FLUX.2 和 Hidream-O1 三个模型上进行了验证。结果显示，与现有基线相比，i2L 在风格保真度、提示对齐以及感知质量上均有提升。
由于 i2L 产出的是显式 LoRA 权重，它还带来了额外的好处：支持非对称的无分类器引导（asymmetric classifier-free guidance）、多参考图像的风格融合，以及与其他可控生成模块组合使用。论文共 11 页、含 9 幅图，归入计算机视觉与模式识别（cs.CV）分类，编号为 arXiv:2606.13809。