神经风格迁移中图像预处理后逆处理必要性及直接使用预处理图像可行性咨询

问题1：完成图像预处理后，为什么需要做逆处理才能开展后续计算？ #

首先要澄清一个认知误区：并非所有后续计算都需要逆处理，逆处理仅针对需要输出可视化图像、适配常规图像处理库输入要求的场景，原因和你用到的预处理操作直接相关：
你使用的预处理是面向ImageNet预训练CV模型的标准流程，做了3个核心变换：

• 把PIL读取的(H, W, C)格式、像素范围为[0,255]的RGB图像，通过ToTensor()转为(C, H, W)格式、像素范围[0,1]的张量
• 额外添加batch维度，转为PyTorch模型要求的(N, C, H, W)输入格式
• 用ImageNet数据集的均值(0.485, 0.456, 0.406)和标准差(0.229, 0.224, 0.225)做归一化，把像素值映射到预训练模型训练时的输入分布，保证特征提取的准确性。

而常规的图像处理/可视化库（比如你代码里用到的matplotlib，还有OpenCV、PIL等）的输入要求和预处理后的张量完全不匹配：

1. 要求输入格式为(H, W, C)，不需要batch维度
2. 要求像素值范围为[0,1]（浮点输入）或者[0,255]（整型输入），而归一化后的张量像素值可能存在负数、大于1的情况，直接输入会导致画图颜色异常、或者接口报错。

逆处理本质就是把上述预处理操作全部反向还原，把模型可用的张量转回常规图像处理工具可以识别的格式。

问题2：能否不经过逆处理，直接使用预处理后的图像完成后续计算？ #

分场景判断：

• 如果后续计算是基于PyTorch框架的模型推理/训练相关操作（比如神经风格迁移里的特征提取、内容损失/风格损失计算）：完全不需要逆处理，预处理后的张量就是模型要求的标准输入，直接使用即可，逆处理反而会破坏输入分布，导致特征提取结果错误，最终风格迁移效果失效。
• 如果后续计算是调用非PyTorch生态的常规图像处理接口（比如可视化、保存本地图像、传统图像处理算子计算）：必须做逆处理，否则接口无法识别张量格式、也无法适配归一化后的像素取值范围，无法得到正确结果。

举个你给出代码的例子：你在逆处理之后调用plt.imshow做可视化，属于第二种场景所以必须逆处理；如果下一步你要把content_p、style_p喂给VGG模型提取特征，属于第一种场景，直接传预处理后的张量即可。

内容的提问来源于stack exchange，提问作者Rachit S Garg