视频风格迁移实战：打造时序一致的梵高油画视频生成器

我第一次看到“Van Gogh视频生成器”这个项目名时的第一反应是：有人把梵高某一幅画的生长过程用生成模型做了动态化？后来认真了解后发现，题目的核心所指比这更有意思——它不是“让画动起来”，而是“让任何视频变成长满梵高笔触的流动油画”。换句话说，给你一段正常拍摄的日常生活视频，经过这个生成器处理之后，视频里的每一帧都会呈现《星月夜》那种旋转的笔触、厚重堆叠的颜料感和短促有力的线条走向，同时又保留原本画面中的人物动作、物体运动和镜头移动。这本质上属于视频风格迁移（Video Style Transfer）中的“画风转绘”方向，技术上要在单帧风格化的基础上解决“时序一致”这一道关键难题。

先说这个项目能解决什么问题：普通照片风格化只处理静态图像，把这张图变成梵高风格并不难，网上有一堆现成的滤镜算法。但视频不一样，如果你把每一帧独立做风格化再拼成视频，结果必然“闪烁”——同一块区域在一帧是粗短笔触，下一帧变成细长曲线，再下一帧颜色突变，肉眼看过去就是满屏跳动的噪点和波动的颜料，完全没法用。Van Gogh视频生成器这类项目存在的意义，就是把“单帧画风”升级成“连贯的画风视频”，让笔触像油画颜料一样“粘”在物体表面，跟着物体一起运动。长期做视频生成的开发者听到这里应该已经嗅到了——核心难点是时序一致性，这是和单帧图像处理最大的分水岭。

适合谁来读这篇内容？大概三类人：一是想做AI艺术视频、短视频创意内容的创作者，想搞清楚这类“油画滤镜”背后是怎么实现的；二是刚入门GAN/扩散模型，想找一个图像生成之外的延伸方向的开发者，视频风格迁移能让你把图像生成的知识用起来又看到新的坑；三是做视频后期和影视风格化工具链的工程师，想给自己的流程里接入画风生成能力。无论哪一类，这篇文章都会从思路拆解到实操参数，把这类项目背后的设计逻辑和坑点讲清楚。

1. 整体设计与思路拆解

视频风格迁移看起来就是把风格迁移算法从图像搬到视频，实际上改起来没那么轻松。我见过不少人踩的第一个坑：直接用训练好的图像快速风格迁移模型（比如Fast Neural Style）对视频逐帧过一遍，效果出来惨不忍睹，除了闪烁，还有笔触与运动方向之间毫无关系的问题——画面里的汽车从左往右开，梵高的笔触却是静止不动的，看上去就像在油画上贴了一个会动的贴纸，非常割裂。

1.1 两条技术路线的选择逻辑

先理清目前主流的实现方案，可以分成两条路线。

第一类是基于流水线的传统方案：先做逐帧风格化，再加时序约束。比如先对视频帧用预训练风格化网络或者基于优化的风格迁移算法生成“梵高帧”，然后计算帧间的光流场，用光流做扭曲对齐，对相邻帧之间的结果施加一致性惩罚。代表性方法有基于光流和时间滤波的经典做法（比如Ruder等人的工作），以及后来的改进版。这类方案的好处是模块清晰、每一步可控，哪里闪烁就修哪里，适合工程落地和调试。

第二类是端到端学习方案：训练一个视频风格化网络，在输入端直接输入两帧（或几帧）视频和一个风格图，网络自己学习如何保持时序一致性。代表方法有TCNN、ReReVST，以及基于扩散模型（Diffusion Model）做视频生成的各种新方案。端到端方法的优点是推理时不用额外算光流，速度快，一致性强，但坏处是训练数据要求高，通常需要视频数据集，训练周期长，并且风格泛化性不如传统优化式方案——换一种画风往往要重新训练或微调。

我自己做这类项目的经验是：不要一上来就选端到端方案。先搭一个逐帧风格化+光流时序约束的流程，把“能稳定出片”作为第一个目标。原因很简单：端到端模型一旦出现问题（比如某个风格下的笔触走形、运动边缘撕裂），你很难定位是训练集问题、网络结构问题还是损失函数权重问题，排查成本很高；而流水线方案，把每一步单独拎出来看，是哪个环节坏了一眼就能看出来。这个项目叫“Van Gogh视频生成器”，它本质上就是一个垂直定制的工作流，用流水线方案完全够用，而且方便后续针对梵高风格单独调参。

1.2 为什么不能“逐帧跑图像风格化”

把这个问题单独拿出来说，是因为太多人栽在这里。逐帧跑图像风格化的核心问题有三个：

其一，逐帧独立处理，风格化的结果带有随机性。即使输入相邻两帧的内容几乎相同，CNN的响应在不同帧之间也可能产生微小的差异，而这些差异在经过风格损失的放大之后会变成明显可见的色块变化和笔触方向突变，人眼对瞬时的画面波动又极为敏感，于是“闪烁”就成了必然结果。

其二，静态风格化完全不知道“运动”为何物。梵高的笔触是有方向感的——他的旋涡、短线条都带有明确的视觉流动方向。逐帧风格化生成的笔触方向是随机的，当你把帧串成视频时，这些笔触没有跟随物体运动，相当于画面里出现了两层信息：一层是真实运动的物体，另一层是不动的笔触纹理，眼睛没法把两层合成一个整体，看起来就是“撕裂”。

其三，计算资源浪费。对每一帧做完整的风格化推理，完全没有利用相邻帧之间的高度冗余性。一秒钟视频30帧，大部分区域和前一帧比只动了一点点，明明可以只在运动发生的地方重新推理，逐帧暴力处理却把整幅图全部重新算了一遍，速度慢且没必要。

所以任何认真对待“视频”二字的设计，都必须把“时序一致性”作为一级约束写进损失函数或者后处理流程里。这也是判断一个视频风格迁移项目是否正规的分水岭。

2. 核心细节解析与实操要点

明白了设计思路，下一步是落到技术细节上。这一节讲具体要用到的模型组件、损失函数配置和经验参数，适用于自己动手搭建一个Van Gogh视频生成器的情况。

2.1 风格化的基础：从格拉姆矩阵到感知损失

图像风格迁移的最基础思路源于2015年的经典工作“A Neural Algorithm of Artistic Style”（Gatys等人）。它的本质是：用预训练的VGG网络提取图像的内容特征和风格特征，内容特征取网络中间的卷积激活值，而风格特征用一个叫作格拉姆矩阵（Gram Matrix）的东西计算。

格拉姆矩阵可以理解成“特征通道之间的相关性矩阵”。举例来说，如果某层网络有256个特征通道，Gram矩阵就是256×256的矩阵，每一项表示两个特征通道之间在同一张图上激活模式的相似度。当两张图的Gram矩阵接近时，它们的纹理、颜色分布、笔触走向就在统计上高度一致。风格迁移的优化目标就是：生成一张图，让它在VGG特征空间里的内容表示接近原图，同时Gram矩阵表示接近目标风格图。生活化的理解是：内容决定了“画的是什么”，风格决定了“用的什么材质和笔法”。

基于这个原理发展出了很多变体。对视频来说，我不推荐纯优化式的Gatys方案，因为它每帧都要迭代几百步优化，效率太低。更可取的是基于预训练前馈网络（Feed-forward）的方案，也就是训练一个生成器网络，输入一张图，前向推理一次直接输出风格化结果，代表作有Fast Neural Style和AdaIN。AdaIN（Adaptive Instance Normalization）尤其适合梵高风格这种强纹理、强色彩的风格，因为它通过对齐特征图的均值和方差来实现风格迁移，速度极快，而且可以通过一个风格编码器随时换风格。

2.2 视频特有的时序一致约束

视频风格化相比图像方案要多加的，是时序损失（Temporal Loss）。最经典的实现方式是用光流场（Optical Flow）来约束相邻帧之间的一致性。核心思路是：如果第t帧的风格化结果，用光流扭曲到第t+1帧的位置，应该和第t+1帧的风格化结果尽可能一致。

数学表达大概是这样：假设第t帧的风格化输出是 $O_t$，第t帧到第t+1帧的光流场是 $F_{t\to t+1}$，用光流扭曲 $O_t$ 得到 $\text{wrap}(O_t, F_{t\to t+1})$，然后比较这个扭曲结果和第t+1帧输出 $O_{t+1}$ 的差异，计算一个L1或者Huber损失：

$$L_{\text{temp}} = \frac{1}{N} \sum | \text{wrap}(O_t, F_{t\to t+1}) - O_{t+1} |$$

这样做出一个端到端可微的损失项，就能在推理时约束相邻帧的输出保持运动一致性。

至于光流估算工具，目前开源领域常用的有RAFT、PWC-Net、FlowNet2等。RAFT是精度最好的之一，但速度稍慢；实际做视频风格化的推理流水线时，我更倾向用PWC-Net或者轻量化的RAFT变体，因为光流只需要算一遍（用原始视频帧算），而且对精度的要求没有视觉里程计那么高，重点是运动边缘的完整性。如果视频分辨率是1080p，光流网络处理起来会很吃力，建议先把帧下采样到720p甚至540p算光流，然后上采样回原分辨率使用，精度损失完全在可接受范围内。

2.3 后处理阶段的两个关键操作

即使加了时序损失，输出视频多少还会有残余的闪烁和条纹感，这时候后处理能救回来不少。我常用的两个操作：一是颜色匹配（Color Matching），二是时间域滤波（Temporal Filtering）。

颜色匹配的原因是：风格化网络生成的每一帧，可能在整体色调上有细微差异，因为梵高风格的黄色、蓝色在不同帧里饱和度会波动。解决方法很简单：以第一帧风格化输出为参考，对后续帧做颜色直方图匹配，或者用更简单的线性变换把后续帧的均值和方差对齐到第一帧。实操中我用的是OpenCV的applyColorMap精度太低，更推荐用scikit-image的match_histograms，效果稳。

时间域滤波是指对相邻帧的输出做加权融合。但这需要小心，如果直接对全图混合，会让运动物体产生拖影。可以结合光流约束来做运动自适应混合：在运动大的区域少混合，在静止区域多混合。这个步骤我用一个简单的temporal median filter实现，窗口大小取3~5帧，基本能去掉大部分高频闪烁。注意，这里千万不要用simple average——平均会让画面变“糊”，尤其是笔触消失、细节丢失，用中值滤波能更好地保留纹理边缘。

3. 实操过程与核心环节实现

这一节从上到下过一遍实际流程，从环境准备到推理出片，全部是可直接照做的配置。

3.1 环境与模型选型

我搭建这个项目用了Python 3.9 + PyTorch 2.0，CUDA 11.8，显卡是RTX 4090（24GB显存）。如果你只有8GB显存的卡（比如RTX 3070），也能跑，但分辨率要降到720p，batch size调成1。主要依赖的库：

• opencv-python：视频读写、图像处理
• torch / torchvision：风格化网络和光流网络
• raft（GitHub开源项目）：光流估计，建议用官方的torch版本
• numpy / scikit-image：后处理中的颜色匹配和滤波
• ffmpeg：最终视频合成，另外可以用pyav（av库）做更精细的API级视频操作

模型方面，风格化部分直接用AdaIN的预训练权重，关键好处是它支持任意风格图片输入，不需要为梵高专门训练。光流部分用RAFT的raft-small权重，速度和显存都友好。

3.2 完整流程五步走

整个处理流程按顺序分为：视频拆帧 → 光流预计算 → 逐帧风格化（带时序约束）→ 后处理 → 视频合成。

第一步，用ffmpeg把输入视频拆成图片序列。这里要注意：拆帧的时候不要用-vf fps=30之类的参数改变帧率，保持原始fps，因为后面光流计算依赖真实的时间间隔。命令参考：

ffmpeg -i input.mp4 -start_number 0 frames/frame_%06d.png

第二步，用RAFT计算相邻帧之间的光流。这一步我自己写了个Python脚本，核心逻辑如下：

import torch from raft import RAFT # 加载RAFT-small模型 model = torch.nn.DataParallel(RAFT(RAFTArgs())) checkpoint = torch.load('raft-small.pth', map_location='cuda') model.load_state_dict(checkpoint) model.eval() # 对每一对相邻帧计算光流 for i in range(len(frames)-1): img1 = load_tensor(frames[i]) img2 = load_tensor(frames[i+1]) with torch.no_grad(): flow = model(img1, img2, iters=20)[-1] # 最后一层的精修光流 save_flow(flow, f'flows/flow_{i:06d}.npy')

注意点：迭代次数iters=20是在精度和速度之间取的平衡，增加迭代次数到30能提升光流精度但显存和时间都会涨。840P视频单对帧用raft-small大概耗时0.4秒，可以接受。

第三步，逐帧风格化。这一部分有两套方案，我推荐先用不带时序约束的AdaIN快速版本跑通，拿到“能看的基线”，再切换到带时序平滑的版本。

不带时序约束的简单版本：

from adain import AdaIN model = AdaIN('vgg_normalised.pth', 'adain_model.pth') for i in range(len(frames)): style_img = load_style('starry_night.jpg') content_img = load_tensor(frames[i]) stylized = model(content_img, style_img) save_tensor(stylized, f'out/out_{i:06d}.png')

带时序约束的版本，我加了一个“光流扭曲一致性”的微调步骤：在每一帧生成后，把它的风格化结果和上一帧通过光流扭曲后的结果做一个融合，但注意这里不是全图替换，而是用AMT（All-in-one Motion Field）或者简单的深度图上采样，只对光流置信度高的区域做替换。置信度计算可以用前后向光流一致性检查（forward-backward consistency check）：如果一个点的前向光流和后向光流加起来不是近乎零向量，说明这个点的光流不可靠，那就在融合时降低这个点的可信度。

具体代码段比较长，核心就一句：final_out = mask * stylized_current + (1-mask) * warped_previous，其中mask是光流置信度掩码。

第四步是后处理，这里做三件事：颜色匹配、中值滤波、边缘锐化。

from skimage.exposure import match_histograms import cv2 import numpy as np # 以第一帧为参考 reference = cv2.imread('out/out_000000.png') for i in range(1, len(frames)): cur = cv2.imread(f'out/out_{i:06d}.png') matched = match_histograms(cur, reference, channel_axis=-1) # 时间维中值滤波（简单实现：取前后各一帧+自身共3帧，逐像素中值） prev_matched = cv2.imread(f'out/out_{i-1:06d}.png') next_matched = cv2.imread(f'out/out_{i+1:06d}.png') if i+1 < len(frames) else matched median = np.median([prev_matched, matched, next_matched], axis=0).astype(np.uint8) cv2.imwrite(f'post/post_{i:06d}.png', median)

注意中值滤波不能做得太激进，窗口太大会导致运动物体的边缘出现“贴边”现象——物体移动时，它的轮廓中值会被前后帧的混合值替代，看起来像物体带着虚边。我在实测中窗口取3帧最安全。

第五步，用ffmpeg把后处理帧合成视频。这里有两个容易影响画质的参数：像素格式和CRF。如果你不指定像素格式，ffmpeg默认可能会输出yuv420p，但如果你中间用了16位深度图，先转8位再编码：

ffmpeg -framerate 30 -i post/post_%06d.png -c:v libx264 -pix_fmt yuv420p -crf 16 -preset slow output.mp4

CRF取16视觉无损，如果要把文件压缩更小可以放宽到20，但对油画纹理来说，CRF太高会导致色块边缘出现块状伪影（blocking artifact），梵高那种细碎的笔触对压缩特别不友好，建议至少保留18以下。预设改用slow，压缩效率比medium高10%至15%，同等CRF下视频质量更好，代价是编码时间变长，但对非实时出片来说完全可以接受。

3.3 关键参数速查表

这部分把我在多次试验后确定的推荐参数整理出来，方便你直接抄：

3.4 大面积景色场景的技巧

做“Van Gogh视频生成器”这类项目时最常遇到的内容就是景色：天空、水面、麦田、山丘，以及城市夜景的灯光。这些大面积色块区域最考验风格迁移算法，因为纹理太单一容易产生“化不开”的糊状感。

针对天空和麦田这类近乎纯色的区域，我建议对风格损失中的Gram矩阵计算做一个小改动：不是全图建一个Gram矩阵，而是分区域建。更简单的方法是先把图像分割成超像素（比如用SLIC算法），再在超像素内部计算Gram矩阵。这样做的好处是：不同区域的笔触纹理强度会跟随该区域的语义内容变化，天空是平滑的旋涡，麦田是细碎的点状短笔触，而不是全图统一的平均纹理。

实操上我用skimage.segmentation.slic做超像素分割，每个超像素单独计算风格损失，最终梯度加权回传。这样在同一个视频场景里，风格能自适应地跟随object的材质结构。缺点是多一步前处理，耗时增加约30%，但对画质的提升是肉眼可见的，特别是在颜色相近的天空和远山之间，原本会融成一坨的区域变得有边界感和层次感。

4. 常见问题与排查技巧实录

这个项目我前前后后跑了不下二十个视频，踩过的坑里有些挺典型，值得记录一下。

4.1 输出视频疯狂闪烁，怎么查

闪烁是最常见的问题，排查思路按顺序做：先判断是“逐帧风格化本身震荡”还是“后处理引入的新闪烁”。

第一步，单独跑一段20帧的片段，只看中间的10帧，忽略前5帧和后5帧（避免启停边界）。把这10帧按像素差求平均方差。如果帧间平均像素差大于30（0-255尺度），说明风格化结果本身在震荡。

第二步，检查时序损失是否真的生效。很多时候你加了光流损失，但权重设成了0.01，那跟没有一样。把权重调到0.1重新跑，看闪烁是否缓解。

第三步，如果时序损失有效但闪烁仍然可感知，那就上后处理的中值滤波和颜色匹配。我实测下来，颜色匹配能解决大部分“色调闪烁”，中值滤波能解决大部分“纹理闪烁”。如果这两步做完还有闪烁，那就可能是光流本身算错了——比如视频里有大量水波纹、雪花噪点这类纹理，光流在这些区域不可靠。解决办法是缩小光流输入分辨率，让光流网络忽略细节纹理，只保留大的运动结构。

4.2 油画纹理变成“动态噪点”

这是另一种很典型的失败模式：画面确实有梵高风格的笔触，但它们不像是长在画面上的颜料，而是像一群小飞虫在动。这种感觉的根源是：笔触短且细、走向随机、密度又高，和多帧之间抖动混在一起后，视觉系统会把自己识别成噪点而不是固定纹理。

解决方案之一是增大笔触的尺度，也就是让生成的笔触更长、更粗、更有方向性。具体做法是在风格损失上增加一个“方向一致性”正则项——统计图像的梯度方向直方图，如果某个区域梯度方向集中，就奖励它；如果方向混乱，就惩罚它。可以理解为：强迫模型生成向同一方向的笔触组。梵高画里的麦田、夜空都有明显的方向性线条群，这个正则项对还原这种特征帮助很大。

另一种简单的补救方式：调低风格权重的alpha值。从1.2降到0.9，虽然纹理密度降低了，但会避免过度纹理化带来的噪点感。

4.3 颜色偏得离谱，特别是肤色和天空蓝

梵高风格的黄色、蓝色特别强烈，风格化后人物的肤色会变成蜡黄色，天空蓝会变成钴蓝再带一点绿，这是风格权重过高的必然结果。如果想保有艺术感的同时不太失真，有两个调节方向：一是对内容损失中的“敏感通道”加权，二是在后处理时对人脸区域做肤色保护。

最简单有效的做法是在后处理阶段用一张人脸检测掩码（用OpenCV的CascadeClassifier或者更准确的YOLOv8-face都能做），把人脸区域单独做一次颜色回拉——并不是要完全去除风格化，而是把肤色的色相向原视频的方向拉回一定比例。我在操作时对фронтальная脸区域做50%的色相回拉，对非人脸区域不做，效果很自然，人物的辨识度保留住了。

如果是天空变色，也可以用同一条思路：检测出天空区域，把色相和饱和度向原始帧靠拢20%-30%。不过这类“局部回拉”的缺点是可能让画面失去统一性，所以比例不能过大。

4.4 速度太慢，一分钟视频要跑一下午

这个项目的计算瓶颈通常不在风格化，而在光流。RAFT哪怕用small版本，1080P分辨率下一对帧也要0.8-1秒，一分钟视频1800对帧，光靠光流就要半小时以上。再加上风格化推理，确实可能要一两个小时。

优化思路：

• 光流不用全分辨率算，降到540p，因为时序损失只需要一个粗粒度的运动场。
• 风格化推理用batch size≥4的并行方式，让GPU占用率上去，而不是单帧循环。
• 后处理中值滤波如果只用于解决闪烁，可以先试提取运动不强烈的镜头段落，在这些段落直接跳过中值滤波，只保颜色匹配。
• 如果出片是给小程序或短视频用，输出分辨率720p就够，1080p的梵高纹理在手机屏幕上完全感知不到细节差别，却消耗着四倍的推理时间。

我会在项目的配置里写一个--fast-mode开关，一键把所有分辨率降到540P、关掉中值滤波，实现“快速预览”模式。走完一遍快速模式确认风格满意后，再开高质量模式出最终片子。这比自己上来就跑完整链路省时间得多。

4.5 表格：问题速查

5. 从风格迁移到“作品级”输出：进阶扩展思考

基线跑通之后，要做成真正能打动人的“Van Gogh视频生成器”，还有几个延伸方向值得投入。

5.1 动态风格化：让画风跟着时间变化

梵高的画风并非一成不变——早期灰暗，中期明亮，后期带着强烈的情感张力。做一个真正有张力的视频生成器，可以让风格权重随时间曲线动态变化。比如视频开头30%用《吃马铃薯的人》那种暗棕色调的梵高早期风格，中间过渡到《向日葵》时期的亮黄，最后落在《麦田群鸦》的压抑蓝紫。这个实现其实只改一个地方：不用固定的一张风格图，而是准备一组风格图，在推理的不同时间片段切换风格图的输入，并对周期内邻接帧做风格向量插值（interpolation），保证过渡平滑。

这个思路不难，但我试过之后效果非常惊艳，尤其是配上钢琴伴奏，整个视频像一部有叙事节奏的油画电影。

5.2 局部可控性：用mask决定哪里“梵高化”

你可以用语义分割或者显著性检测得到人物掩码，然后对背景做重度风格化，对人物只做轻度风格化。这样既保留“真人实拍感”又在背景里营造油画氛围，是很多短视频特效团队选用的混合方案。实现上，可以在风格化推理之后做一次alpha混合：final = mask * original + (1 - mask) * stylized，mask边缘需要做羽化（feather），否则交界处会有生硬的塑料感。

羽化方法建议用高斯模糊，半径取20~30像素，或者用导向滤波（guided filter）来保持边缘锐度的同时平滑区域边界。

5.3 工程化：从离线视频到实时预览

如果想做一个Web工具，让用户上传视频、点一下就能在线预览，那就必须在推理速度上做大幅优化。当前最快的路径是：把风格化网络换成基于TensorRT的FP16推理，光流网络换成真正的轻量级模型（比如GMFlow的tiny版本），并且全程以512×512分辨率跑，输出到终端用户前再用超分模型（比如Real-ESRGAN）恢复到720P。这样单帧耗时可以压到0.15秒以内，算上编解码，一个人站在服务器后面大概能看到“涂抹中逐渐出现油画”的效果，虽然谈不上真正的实时（每秒30帧），但对预览场景绰绰有余。

5.4 如何保存梵高风格的味道而不流于“滤镜感”

最后分享一个我反复思考的心得：很多人做出来的梵高视频，被评价为“像加了复古滤镜”，问题不在技术，而在选风格图的眼光。梵高最有辨识度的不只是颜色和厚涂，而是“笔触的结构”。

当拿一张梵高原画做风格参考时，要选那些包含明显笔触结构信息的局部区域，比如《星空》里的星云涡旋部分，而不是整张画。因为整张画的Gram矩阵统计的是全画的纹理分布，到具体生成时，模型会在所有地方都平均地叠加笔触；只有取高纹理区域作参考，模型才会在生成时更强烈地模仿那种结构化的笔触。实际操作上，我会先把参考风格图裁剪成若干块，每块单独算Gram矩阵，然后把几个风格损失相加，代替全图的Gram矩阵。这个细节改完，生成的油画画质从“滤镜味”到“作品感”完全是两个层级，强烈推荐一试。

写在后面的话

这个项目我做下来最大的体会是：视频风格迁移真正考验人的地方不在“模型多新颖”，而在“工程细节多稳”。逐帧独立生成是最容易想到但也是最容易翻车的方案，而光流约束、颜色匹配、中值滤波这三个工程手段能解决90%以上的质量问题。它们每一个单独看都是老技术，组合起来却能产生脱胎换骨的效果。

如果你拿这个项目作为自己的练手作品，我建议记住一个“三步走”：先跑通快速预览模式出片，检查风格和色彩是否符合预期；再打开时序约束，重点盯运动边缘是否有撕裂；最后上后处理全套，把输出精度和局部细节打磨到位。顺序乱了、跳过中间任何一步，都会让最终效果打折扣。

最后一个私心建议：别只拿梵高做测试。同一个框架换一张莫奈的《睡莲》或者葛饰北斋的《神奈川冲浪里》当风格图，你就能更清楚地区分“风格迁移的通用能力”和“针对梵高风格的专门调优”之间的边界在哪。能把一个项目做成一套在不同画风之间自由切换的工具箱，那才是这类视频生成器真正的高级玩法。