Im Weltraum sind Weltraumdienste unerlässlich, um die Nachhaltigkeit der Weltraumumgebung zu erhalten. Die sichtbare Weltraumkamera ist ein kostengünstiger und leichter Sensor, der für die Situationswahrnehmung während des Weltraumdienstes eingesetzt werden kann. Ihre Leistung wird jedoch leicht von schlechten Lichtverhältnissen beeinträchtigt. In den letzten Jahren hat das Deep Learning im Bereich der Verbesserung natürlicher Bilder beachtliche Erfolge erzielt, ist aber aufgrund von Datenbeschränkungen noch nicht weit verbreitet im Weltraum. Diese Studie schlägt erstmals ein Datensatz für die Verbesserung von Niedriglichtbildern in der Umlaufbahn auf Beidou-Satelliten vor. In einem automatisierten Datenerfassungssystem konzentrierten wir uns auf die Verringerung von Domänenunterschieden und die Erhöhung der Vielfalt der Datensätze. Basierend auf Robotersimulationstests von Weltraumbeleuchtungsbedingungen wurden Bilder von in der Umlaufbahn befindlichen Geräten gesammelt. Zur gleichmäßigen Probenahme verschiedener Richtungen und Entfernungen der Pose ohne Kollision wurde eine Methode zur kollisionsfreien Arbeitsraum- und hierarchischen Pose-Stichprobennahme vorgeschlagen. Anschließend wurde ein neues Diffusionsmodell entwickelt. Um den Bildkontrast ohne Überbelichtung und Unschärfe von Details zu verbessern, wurde ein verschmelzender Aufmerksamkeitsleitfaden zur Hervorhebung der Struktur und dunkler Bereiche entwickelt. Die Vergleichsergebnisse mit vorhandenen Methoden deuten darauf hin, dass unsere Methode eine bessere Leistung bei der Verbesserung von Niedriglichtbildern in der Umlaufbahn aufweist.

Satellite capture;Low-light image enhancement (LLIE);Data collection;Diffusion model;Fused attention