Skip to content

AstroLoom v0.14.1

Choose a tag to compare

@shilmar shilmar released this 10 Nov 11:18
· 15 commits to main since this release

Añadido

  • Puente de Renderizado Directo a Qt sin Copias Intermedias (gui/canvas.py, src/renderer.rs):

    • Motor de renderizado nativo en Rust (render_canvas_frame_rs) que transforma datos f32, u8 y u16 directamente a un búfer contiguo plano de memoria BGRA8888, compatible de forma nativa con QImage(..., QImage.Format_RGB32).
    • Detección y pintado vectorial multihilo con Rayon de alertas de recorte (Clipping Alerts: sombras empastadas en azul #0070ff y altas luces quemadas en rojo #ff1744), eliminando la creación de capas QPixmap separadas.
    • Soporte nativo para Split-View con cortina comparadora Antes/Después (Y) vertical u horizontal en el visor del revelador y zoom directo sub-ventana 1:1 (zoom_rect).
    • Reutilización de búferes continuos preasignados (bytearray) sin recolección de basura (GC), alcanzando más de 160 FPS y una latencia de renderizado de ~6 ms en 4K (3840×2160).
    • Integración fluida en MaskCanvas (gui/canvas.py) y sincronización inmediata en gui/tab_developer.py.
  • Poda Integral de Dependencias Externas y Módulos Nativos en Rust:

    • Eliminación Total de pytoshop (src/psd_writer.rs, core/psd_export.py): Escritor nativo multicapa PSD/PSB de 16 y 8 bits en Rust con compresión RLE PackBits paralela por canal y máscaras de capa nativas de Photoshop vinculadas. Exportación PSD entre $8\times$ y $15\times$ más rápida y sin dependencias externas.
    • Eliminación Total de astropy (src/fits_io.rs, core/fits_io.py): Lector y decodificador FITS nativo en Rust con lectura SIMD/Rayon de bloques estándar de 2880 bytes e inversión de endianness Little-Endian ultra-rápida (<15 ms en 60 MP). Módulo puente en Python core/fits_io.py con fallback autónomo en Python puro + NumPy.
    • Eliminación Total de psutil (src/system_info.rs, core/system_info.py): Monitorización directa de memoria RAM física del sistema operativo vía GlobalMemoryStatusEx en Windows y /proc/meminfo en Linux.
  • Tiling ONNX de Redes Neuronales y Filtro Guiado O(1) (src/ai_preprocessing.rs):

    • Tiling Multihilo para StarNet++ v2 (prepare_starnet_tiles_rs y assemble_starnet_tiles_rs): Partición multihilo sin GIL en baldosas con margen reflectivo perimetral BORDER_REFLECT, estirado analítico MTF simétrico por canal con cálculo rápido de mediana/MAD por Quickselect, y recomposición paralela por solapamiento con ventana de Hann o recorte central (Center-Crop).
    • Preprocesado de NAFNet Denoise (core/ai_denoise.py): Ventana 2D de Hann analítica (compute_hann_2d_window_rs), cálculo de cuadrícula de coordenadas (get_tile_coords_rs) y acumulación/normalización in-place sin copias intermedias en Python.
    • Filtro Guiado Rápido O(1) (fast_guided_filter_rs): Filtrado guiado en tiempo constante por píxel mediante imágenes integrales de área sumada (SAT) con BORDER_REFLECT_101 para refinamiento milimétrico de máscaras de horizonte y follaje fino en ~21 ms para 1.44 MP.
  • Serialización y Deserialización Paralela de Proyectos .devloom (src/project_codec.rs, core/project_io.py):

    • Empaquetado y desempaquetado de sesiones de revelador completas en formato comprimido ZIP mediante compresión multihilo Rayon y códec PNG de 16 bits nativo en Rust, acelerando drásticamente el guardado y la carga de proyectos pesados con capas y máscaras.
  • Ingesta Concurrente de Lotes Masivos RAW/TIFF (src/streaming_io.rs, core/stacking.py, gui/tab_stacker.py, gui/tab_startrails.py):

    • Inspección concurrente y asíncrona de cabeceras binarias (TIFF, Nikon NEF, Canon CR2, Sony ARW, Adobe DNG, Olympus ORF, Pentax PEF, FITS, PNG, JPEG) liberando el GIL (scan_raw_batch_metadata_rs).
    • Extracción en microsegundos de dimensiones del sensor, orientación, nivel de negro, balance de blancos, estimación de temperatura de color (K), fabricante, modelo, ISO y tiempo de exposición.
    • Validación automática de tomas corruptas o ilegibles con reporte granular de errores en log sin abortar la sesión.