用于轨上低光图像增强的地面数据集与扩散模型
计算机视觉与模式识别
2024-04-09 v2
摘要
轨上服务对于维持空间环境的可持续性十分重要。星载可见光相机是轨上服务中用于态势感知的一种经济且轻量的传感器。然而，它容易受低照度环境影响。近来，深度学习在自然图像增强方面取得了显著成功，但由于数据瓶颈，很少应用于空间。在本文中，我们首先提出了北斗导航卫星的轨上低光图像增强（LLIE）数据集。在自动数据收集方案中，我们专注于减小域差距并提高数据集的多样性。我们基于模拟空间光照条件的机器人仿真测试台收集硬件在环图像。为无碰撞地均匀采样不同朝向和距离的姿态，提出了无碰撞工作空间与姿态分层采样。随后，提出了一种新颖的扩散模型。为在不发生过曝和细节模糊的情况下增强图像对比度，我们设计了融合注意力以突出结构与暗区。最后，我们使用我们的数据集将所提方法与先前方法进行比较，表明我们的方法在轨上 LLIE 方面具有更好的能力。
引用
@article{arxiv.2306.14227,
title = {A ground-based dataset and a diffusion model for on-orbit low-light image enhancement},
author = {Yiman Zhu and Lu Wang and Jingyi Yuan and Yu Guo},
journal= {arXiv preprint arXiv:2306.14227},
year = {2024}
}