對於實用價值來說，除了style translation直觀的轉換意義外，還有以下幾點可以考慮：
1、將圖像上的應用遷移到視頻上
CycleGAN [7]中已有良好的結果顯示，但目前尚未實現。
2、實現跨域學習
CoGAN [8]，StarGAN [9]可以實現在屬性上的多個域同時轉換，可以應用到互動娛樂應用中去。
[10]中考慮到重新標註新的數據集（目標域）代價是非常大的，但已有標籤數據集（源域）的模型又往往不能很好的遷移到目標域上，所以可以通過對源域進行風格變換到目標域然後再建立模型，從而將模型更好的應用到目標域上，實現數據集間的域與域的轉換。這一應用比較新穎，能夠解決數據集與數據集之間的gap，有較好的發展前景。
3、增強現實
[11]提出了在遊戲、電影中利用卡通風格轉換的局部應用來推進增強現實。因爲理論上風格轉換只要有源域與目標域的圖片，都可以建立映射，而且局布對象的風格轉換已比較普遍，基本上利用GAN的方法都已實現，如 [12]，自然而然地可以往增強現實發展，但是大規模的應用需要考慮。
4、轉換程度控制
最近在復現StarGAN時按照 [13]中提及的對其架構進行了插值處理，發現可以控制轉換的程度，這樣以年齡爲例就可以通過控制人臉老化的程度來實現跨年齡的身份識別，對其他參數的控制相信也會有合適的應用。
5、結構性轉換
結構性轉換目前比較困難，如果能有突破，相信會有更好的應用。
6、其他
圖像分割、檢測在多個領域應用很廣泛，其實可以看作是風格轉換的幾種形式，目前學生沒有閱讀這方面的文章，還不能說明使用風格轉換方法的優越性及相關應用形式。