PyTorch原生可微CV库Kornia

做CV训练的工程师通常用OpenCV或PIL做预处理，再把tensor丢进PyTorch，但数据增强的梯度链在这里就断了。Kornia把整套CV操作变成nn.Module，意味着你可以把RandomAffine、color jitter直接塞进DataLoader甚至模型前向里，端到端训练。

跟torchvision比，Kornia强在可微和3D几何（单目深度、相机标定、homography），跟albumentations比则胜在和PyTorch生态无缝衔接、不用numpy来回倒。做自监督学习、可学习数据增强（如AutoAugment的梯度优化）、或需要把几何约束纳入loss的场景，Kornia几乎是现成答案。

如果团队还在用OpenCV做预处理再手动转tensor，迁移成本很低，建议从kornia.augmentation模块开始试，一周左右可以切完训练管线。