测试时自监督认证以弥合事件相机卫星姿态估计中的Sim2Real差距

深度学习在基于视觉的卫星姿态估计中起着关键作用。然而，真实空间数据的稀缺性意味着深度模型需要使用合成数据进行训练，这引发了Sim2Real领域差距问题。Sim2Real差距的一个主要原因是测试时遇到的新颖光照条件。事件传感器已被证明在光照变化下对基于视觉的姿态估计具有一定的鲁棒性。然而，强方向光造成的挑战性光照条件仍可能导致商用事件传感器输出产生不良影响，例如噪声/虚假事件和物体上不均匀的事件密度。这些影响在软件中难以模拟，从而导致事件域中的Sim2Real差距。为弥合基于事件的卫星姿态估计中的Sim2Real差距，本文提出了一种带有认证模块的测试时自监督方案。自监督通过一个优化程序实现，该程序将预测卫星姿态的密集点云与事件数据对齐，以尝试修正不准确的姿态估计。认证模块尝试验证修正后的姿态，并且仅对通过认证的测试时输入通过隐式微分进行反向传播以细化预测的关键点，从而改进姿态估计并弥合Sim2Real差距。结果表明，我们的方法优于已建立的测试时自适应方案。