Kornia v0.8.1版本发布：计算机视觉库的性能优化与功能增强

Kornia是一个基于PyTorch的开源计算机视觉库，它提供了一系列高效的图像处理算法和深度学习模型组件。作为一个专注于计算机视觉任务的工具库，Kornia能够无缝集成到PyTorch生态系统中，为研究人员和开发者提供强大的图像处理能力。

性能优化与速度提升

本次v0.8.1版本带来了多项性能优化，显著提升了关键函数的执行效率：

1. 点线距离计算优化：point_line_distance函数经过重构后，执行速度提升了28%。这个函数在几何变换和特征匹配中经常使用，优化后的版本将显著提升相关算法的整体性能。

2. 列表转换加速：val2list函数的执行速度获得了229%的提升，这个函数在参数处理和配置管理中广泛使用，优化将带来整体性能的改善。

3. 图像检查优化：KORNIA_CHECK_IS_IMAGE函数的执行速度提升了92%，这个函数用于验证输入是否为有效图像张量，是许多图像处理操作的前置检查。

4. 单应性矩阵计算优化：find_homography_dlt函数通过避免2N×2N权重矩阵的不必要分配，减少了内存使用并提高了计算效率。

功能增强与问题修复

1. 深度图转3D点云：移除了depth_to_3d函数的弃用装饰器，同时增强了depth_to_3d_v2函数的批处理功能，使其能够更高效地处理批量深度图数据。

2. MPS设备支持：工具函数中的resize操作现在支持MPS（Metal Performance Shaders）设备，扩展了库在苹果芯片上的兼容性。

3. 关键点检测修复：修复了Dedode检测器在调用detect()方法时处理padding的问题，确保了特征点检测的准确性。

4. DOG响应计算修正：修正了dog_response函数中的kernel_size参数处理，提高了基于高斯差分(Difference of Gaussians)的特征检测质量。

5. 绘图函数修复：修复了draw_line方法中的索引错误问题，确保了线段绘制的正确性。

代码质量与文档改进

1. 测试重构：将test_augmentation_3d.py和test_container.py中的测试用例拆分到单独的文件中，提高了测试的可维护性和可读性。

2. 文档增强：为detach张量到GPU的操作添加了详细的文档字符串，同时更新了多个模块的文档，增加了SEO元描述，提升了文档的可读性和可搜索性。

3. 日志修复：移除了错误的日志调试设置，确保了日志输出的准确性。

开发工具与基础设施

1. 依赖更新：将pytest测试框架从8.3.4版本升级到8.3.5版本。

2. 社区迁移：将社区支持平台从其他渠道迁移到Discord，便于开发者交流和问题讨论。

3. 预提交检查：通过pre-commit工具持续改进代码格式和质量，确保代码风格的一致性。

4. kornia-rs升级：将kornia-rs子模块升级到0.1.9版本，带来了底层实现的性能改进。

Kornia v0.8.1版本通过多项性能优化和问题修复，进一步提升了这个计算机视觉库的稳定性和效率。这些改进使得Kornia在处理图像处理、几何变换和特征检测等任务时更加高效可靠，为计算机视觉研究和应用开发提供了更强大的支持。