基于深度学习的驻留空间物体图像恢复与位姿估计
计算机视觉与模式识别
2025-01-23 v1 机器学习
图像与视频处理
摘要
随着地球轨道上航天器密度的增加，对其识别、位姿和轨迹的判定对于避免潜在碰撞和执行碎片清除操作变得至关重要。然而，由于缺乏可用于模型训练的图像数据，训练能够识别航天器及其位姿的模型面临着重大挑战。本文提出了一种生成驻留空间物体（RSO）逼真合成数据集的创新框架。以国际空间站（ISS）为测试案例，该框架将图像回归与图像恢复方法相结合，从模糊图像中估计位姿。本文对所提出的图像恢复与回归技术进行了分析，深入探讨了将其应用于 RSO 真实图像时的性能、潜在改进及局限性。所研究的图像恢复方法首先使用有效的点扩散函数进行图像反卷积，随后利用 U-Net 进行细节目标提取。有趣的是，仅使用 U-Net 进行图像重建便获得了最佳的位姿估计性能，将图像恢复的平均均方误差降低了 97.28%，平均角度误差降低了 71.9%。将 U-Net 图像恢复与 Resnet50 回归网络成功结合用于国际空间站的位姿估计，证明了多样化的评估工具集对于解决现实世界问题（如分析地球轨道上的遥远物体）的价值。
引用
@article{arxiv.2501.13009,
title = {Deep Learning-Based Image Recovery and Pose Estimation for Resident Space Objects},
author = {Louis Aberdeen and Mark Hansen and Melvyn L. Smith and Lyndon Smith},
journal= {arXiv preprint arXiv:2501.13009},
year = {2025}
}
备注
10 pages, 13 figures