Dans l'espace, les services spatiaux sont essentiels pour maintenir la durabilité de l'environnement spatial. La caméra visible spatiale est un capteur économique et léger qui peut être utilisé pour la perception de la situation pendant le service spatial. Cependant, ses performances sont facilement affectées par des environnements à faible éclairage. Ces dernières années, l'apprentissage profond a connu un succès considérable dans le domaine de l'amélioration des images naturelles, mais en raison de contraintes de données, il n'a pas encore été largement utilisé dans l'espace. Cette étude propose pour la première fois un ensemble de données pour l'amélioration des images à faible éclairage en orbite sur les satellites Beidou. Dans un schéma automatisé de collecte de données, nous nous sommes concentrés sur la réduction des disparités de domaine et l'augmentation de la diversité des ensembles de données. Sur la base de tests de simulation de robotique des conditions d'éclairage spatial, des images d'équipements en orbite ont été collectées. Pour échantillonner uniformément différentes directions et distances de pose sans collision, une méthode d'espace de travail sans collision et d'échantillonnage hiérarchique de pose a été proposée. Ensuite, un nouveau modèle de diffusion a été développé. Pour améliorer le contraste des images sans surexposition et flou des détails, un guide d'attention fusionné a été conçu pour mettre en évidence la structure et les zones sombres. Les résultats de comparaison avec les méthodes existantes indiquent que notre méthode présente de meilleures performances d'amélioration d'images à faible éclairage en orbite.

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