CSGO ist ein auf Content-Style-Synthese basierendes Text-zu-Bild-Generierungsmodell. Es generiert und bereinigt automatisch stilisierte Datentripel über eine Datenpipeline und erstellt den ersten groß angelegten Datensatz für Stilübertragung, IMAGStyle, der 210.000 Bildtripel enthält. Das CSGO-Modell wird end-to-end trainiert, entkoppelt explizit Inhalts- und Stileigenschaften und implementiert diese durch unabhängige Merkmalseinspritzung. Es ermöglicht die bildgesteuerte Stilübertragung, die textgesteuerte Stilsynthese und die textbearbeitungsgesteuerte Stilsynthese. Zu seinen Vorteilen gehören Inferenz ohne Feinabstimmung, Beibehaltung der ursprünglichen Text-zu-Bild-Generierungsfähigkeit und die Vereinheitlichung von Stilübertragung und Stilsynthese.