北斗导航卫星在轨低光图像增强数据集

本研究针对北斗导航卫星在轨低光图像增强问题，构建了一个硬件在环测试平台自动收集的数据集。该数据集包含720对图像，通过6自由度机器人模拟太空光照条件下的图像采集，采用分层采样方法确保数据多样性和无碰撞。数据集旨在解决太空环境下低光图像的增强问题，为后续视觉测量和估计等任务提供高质量数据支持。

This study develops a dataset automatically collected via a hardware-in-the-loop (HITL) test platform, targeting the low-light image enhancement issue for BeiDou navigation satellites during in-orbit operation. This dataset includes 720 pairs of images. Image acquisition was performed using a 6-degree-of-freedom (6-DoF) robot to simulate space lighting conditions, and stratified sampling was adopted to ensure data diversity and collision-free data collection. The dataset is intended to address the low-light image enhancement problem in space environments, providing high-quality data support for subsequent tasks such as visual measurement and estimation.

搜集汇总

数据集介绍

构建方式

在空间视觉感知领域，低光照环境严重制约了在轨服务任务的可靠性。为突破数据瓶颈，本研究构建了北斗导航卫星在轨低光图像增强数据集。该数据集通过硬件在环仿真平台采集，采用六自由度机械臂携带卫星模型模拟空间运动，并利用LED灯箱模拟地球漫射光环境。为确保数据多样性与无偏性，研究团队基于物理引擎构建了无碰撞工作空间，并采用姿态分层采样策略，从不同方位与距离均匀采集姿态数据。最终通过设置不同曝光时间（156微秒与1248微秒）同步捕获低光与正常光照图像对，并经过拜耳阵列转换与中心裁剪预处理，形成720对高质量图像数据。

特点

该数据集在空间目标视觉增强研究中展现出显著特色。其核心优势在于通过硬件在环仿真极大缩小了训练数据与真实空间场景的域差距，金属卫星模型产生的强反射效应精准复现了空间材质的光学特性。数据集涵盖多角度、多距离的卫星姿态变化，且通过分层采样确保了空间分布的均匀性，有效避免了数据聚类偏差。图像采集采用未压缩的拜耳阵列格式，最大程度保留了低光照条件下的原始信息，为深度学习模型提供了丰富的纹理与结构特征。这种高保真仿真机制为在轨低光增强任务提供了前所未有的高质量训练基础。

使用方法

该数据集主要应用于空间在轨低光图像增强算法的训练与评估。研究人员可将图像对划分为训练集与测试集，利用低光图像作为输入，对应正常光照图像作为监督目标，训练基于深度学习的增强模型。特别适用于扩散模型、注意力机制等先进架构的验证，其提供的真实光学特性有助于模型学习空间场景下的光照分布与细节恢复规律。在工程实践中，增强后的图像可进一步用于特征点匹配、姿态估计等下游视觉任务，提升在轨服务的环境感知能力。数据集的标准格式与配对设计也便于进行定量指标（如PSNR、SSIM）的客观性能比较。

背景与挑战

背景概述

随着空间活动的日益频繁，空间环境的可持续性维护成为关键议题，其中在轨服务技术扮演着重要角色。空间可见光相机因其轻量、经济且信息丰富的特性，成为在轨态势感知的核心传感器，然而极端低光照条件严重制约其成像质量。针对此问题，南京理工大学自动化学院的朱一曼、王璐等研究人员于2018年提出了“北斗导航卫星在轨低光图像增强数据集”，该数据集首次聚焦于空间低光图像增强任务，通过硬件在环的机器人仿真测试平台，模拟空间光照环境，自动采集了多姿态、多距离的卫星图像对，旨在突破深度学习在空间应用中的数据瓶颈，为在轨视觉任务提供高质量的训练基础。

当前挑战

该数据集致力于解决在轨低光图像增强这一领域核心挑战，即如何在极端暗光条件下恢复卫星图像的结构与纹理细节，避免噪声放大与过度曝光，以支持后续视觉测量与估计等下游任务。在构建过程中，研究团队面临多重挑战：一是真实空间图像获取极为困难，需通过地面仿真平台缩小领域差距；二是为确保数据多样性与无偏性，需设计无碰撞工作空间与姿态分层采样策略，以在有限资源下实现均匀、安全的自动数据采集；三是卫星几何形状与金属表面导致图像分布独特，增强时需兼顾计算效率与细节保真度。

常用场景

经典使用场景

在航天器在轨服务领域，空间视觉系统常面临极端低光照环境的挑战，导致捕获的图像细节模糊、对比度低下。北斗导航卫星在轨低光图像增强数据集通过硬件在环仿真平台，模拟真实空间光照条件，生成了成对的低光与正常光照卫星图像。该数据集最经典的使用场景是训练和评估深度学习模型，特别是扩散模型，以提升低光卫星图像的视觉质量，恢复其结构纹理信息，为后续的视觉测量与姿态估计等任务提供可靠数据基础。

衍生相关工作

基于该数据集，研究者们进一步探索了多种低光图像增强的先进方法。例如，结合注意力机制的扩散模型被提出，以在增强过程中突出结构与暗区信息；同时，该数据集也促进了针对空间目标的少样本学习与多任务扩散模型的研究。这些工作不仅扩展了数据集的学术价值，还推动了计算机视觉与航天工程的交叉融合，为后续的空间图像恢复、超分辨率及运动去模糊等任务奠定了理论与数据基础。

数据集最近研究

最新研究方向

随着空间在轨服务与主动碎片清除任务的日益迫切，对空间态势感知技术的需求推动了低光照图像增强研究的前沿发展。北斗导航卫星在轨低光图像增强数据集的建立，为深度学习模型在极端暗光条件下的应用提供了关键支撑，其采用硬件在环的自动采集方案，显著缩小了合成数据与真实空间环境之间的域差距。当前研究热点聚焦于扩散模型与注意力机制的融合创新，通过设计融合注意力引导策略，在提升图像对比度的同时有效抑制噪声放大与细节模糊，确保了增强结果对下游视觉测量任务的数据可用性。这一进展不仅提升了在轨服务机器人的自主感知能力，也为多卫星目标的小样本学习与多任务图像恢复模型奠定了重要基础，对保障空间环境长期可持续性具有深远意义。

相关研究论文

• A ground-based dataset and a diffusion model for on-orbit low-light image enhancement

  南京理工大学自动化学院 · 2024年