RoNet：面向旋转的连续图像翻译

域间平滑连续图像的生成近来在图像到图像（I2I）翻译中引起了广泛关注。线性关系是大多数现有方法的基本假设，应用于特征、模型或标签等不同方面。然而，线性假设难以随元素维度增加而保持，并且受限于必须获得线段两端。在本文中，我们提出一种新颖的面向旋转的解决方案，通过对图像的风格表示进行面内旋转来建模连续生成，实现了名为RoNet的网络。在生成网络中植入一个旋转模块，以自动学习合适的平面，同时解耦图像的内容和风格。为了鼓励真实纹理，我们还设计了一种基于补丁的语义风格损失，学习不同域中相似对象的不同风格。我们在森林场景（其中复杂纹理使生成非常具有挑战性）、人脸、街景和iphone2dslr任务上进行实验。结果验证了我们的方法在视觉质量和连续性方面的优越性。