本文提出了一种使用基于随机采样和噪音添加的样式增强算法，以改善一般线性变换的样式转移中的随机性。通过增强策略，模型在图像风格化方面表现出极高的鲁棒性，并在STL-10数据集上超越了先前方法和最先进的性能。同时，对模型在不同样式变化下的解释进行了分析，并进行了全面实验比较了在训练设置中应用于深度神经架构时的性能。