Update aduc_framework/engineers/deformes4D.py

aduc_framework/engineers/deformes4D.py

@@ -2,7 +2,7 @@
 #
 # Copyright (C) August 4, 2025  Carlos Rodrigues dos Santos
 #
-# Versão 3.0.1 (Framework-Compliant com Inicialização Corrigida)
+# Versão 3.0.2 (Framework-Compliant com Lógica de Geração Restaurada)
 #
 # Este engenheiro implementa a Câmera (Ψ) e o Destilador (Δ) da arquitetura
 # ADUC-SDR. Ele orquestra a geração sequencial de fragmentos de vídeo com base
@@ -115,7 +115,8 @@ class Deformes4DEngine:
         for i in range(num_transitions_to_generate):
             fragment_index = i + 1
             if progress_callback:
-                progress_callback(i / num_transitions_to_generate, f"Gerando Latente {fragment_index}/{num_transitions_to_generate}")
+                progress_fraction = (i / num_transitions_to_generate) * 0.7  # Geração de latentes usa 70% do tempo
+                progress_callback(progress_fraction, f"Gerando Latente {fragment_index}/{num_transitions_to_generate}")
 
             past_keyframe_path = keyframe_paths[i - 1] if i > 0 else keyframe_paths[i]
             start_keyframe_path = keyframe_paths[i]
@@ -166,14 +167,41 @@ class Deformes4DEngine:
 
         logger.info(f"--- INICIANDO ESTÁGIO 2: Processando {len(latent_fragment_paths)} latentes ---")
         final_video_clip_paths = []
-        num_chunks = -(-len(latent_fragment_paths) // LATENT_PROCESSING_CHUNK_SIZE)
+        num_chunks = -(-len(latent_fragment_paths) // LATENT_PROCESSING_CHUNK_SIZE) if LATENT_PROCESSING_CHUNK_SIZE > 0 else 0
         for i in range(num_chunks):
-            # ... (Lógica de processamento de chunks e decodificação) ...
-            pass # Placeholder
-
+            chunk_start_index = i * LATENT_PROCESSING_CHUNK_SIZE
+            chunk_end_index = chunk_start_index + LATENT_PROCESSING_CHUNK_SIZE
+            chunk_paths = latent_fragment_paths[chunk_start_index:chunk_end_index]
+            
+            if progress_callback:
+                progress_fraction = 0.7 + (i / num_chunks * 0.28) # Decodificação usa 28% do tempo
+                progress_callback(progress_fraction, f"Processando & Decodificando Lote {i+1}/{num_chunks}")
+
+            tensors_in_chunk = [torch.load(p, map_location=self.device) for p in chunk_paths]
+            tensors_para_concatenar = [frag[:, :, :-1, :, :] if j < len(tensors_in_chunk) - 1 else frag for j, frag in enumerate(tensors_in_chunk)]
+            sub_group_latent = torch.cat(tensors_para_concatenar, dim=2)
+            del tensors_in_chunk, tensors_para_concatenar; gc.collect(); torch.cuda.empty_cache()
+
+            pixel_tensor = vae_manager_singleton.decode(sub_group_latent)
+            del sub_group_latent; gc.collect(); torch.cuda.empty_cache()
+
+            base_name = f"clip_{i:04d}_{run_timestamp}"
+            current_clip_path = os.path.join(temp_video_clips_dir, f"{base_name}.mp4")
+            self.save_video_from_tensor(pixel_tensor, current_clip_path, fps=FPS)
+            final_video_clip_paths.append(current_clip_path)
+            del pixel_tensor; gc.collect(); torch.cuda.empty_cache()
+        
         if progress_callback: progress_callback(0.98, "Montando o filme final...")
+
         final_video_path = os.path.join(self.workspace_dir, f"original_movie_{run_timestamp}.mp4")
-        video_encode_tool_singleton.concatenate_videos([], final_video_path, self.workspace_dir) # Passando lista vazia para simulação
+        video_encode_tool_singleton.concatenate_videos(final_video_clip_paths, final_video_path, self.workspace_dir)
+        
+        try:
+            shutil.rmtree(temp_video_clips_dir)
+            shutil.rmtree(temp_latent_dir)
+        except OSError as e:
+            logger.warning(f"Não foi possível remover diretórios temporários: {e}")
+            
         logger.info(f"Processo completo! Vídeo original salvo em: {final_video_path}")
 
         # 3. Empacota os resultados para o Orchestrator
@@ -189,8 +217,7 @@ class Deformes4DEngine:
             "latent_paths": latent_fragment_paths,
             "video_data": final_video_data_for_state
         }
-
-    # --- MÉTODOS HELPER ---
+        
     def save_video_from_tensor(self, video_tensor: torch.Tensor, path: str, fps: int = 24):
         if video_tensor is None or video_tensor.ndim != 5 or video_tensor.shape[2] == 0: return
         video_tensor = video_tensor.squeeze(0).permute(1, 2, 3, 0)