近期研究通过卷积神经网络（CNN）显著提升了单图像超分辨率（Single-Image Super-Resolution, SR）的性能。尽管对于给定的输入图像可能存在多种高分辨率（HR）重建结果，但大多数现有的基于CNN的SR方法在推理阶段并未探索这些替代解。传统上，获取多样化SR结果的方法是训练多个具有不同损失权重的SR模型，并通过模型组合来实现。然而，本文提出一种更高效的方法：通过多任务学习机制，仅需训练一个可调节的单一SR模型，即可在多种损失组合下进行优化。具体而言，在训练过程中，我们采用条件化目标函数，该目标函数为不同特征层级上多个感知损失的加权和，其中权重根据预设条件动态变化，这一权重集合被定义为“风格控制器”（style controller）。此外，我们设计了一种适配该训练范式的网络架构——基于空间特征变换层的残差嵌套密集块（Residual-in-Residual Dense Block）。在推理阶段，所训练的模型能够根据风格控制图生成局部差异化的输出结果。大量实验表明，所提出的SR模型能够在不引入伪影的前提下生成多种理想的重建结果，并在定量指标上达到与当前最先进方法相当的性能水平。