En el espacio, los servicios espaciales son esenciales para mantener la sostenibilidad del entorno espacial. La cámara visible espacial es un sensor económico y ligero que se puede utilizar para la percepción situacional durante el servicio espacial. Sin embargo, su rendimiento es fácilmente afectado por entornos de baja iluminación. En los últimos años, el aprendizaje profundo ha tenido un éxito notable en el ámbito de la mejora de imágenes naturales, pero debido a restricciones de datos, aún no se ha utilizado ampliamente en el espacio. Este estudio propone por primera vez un conjunto de datos para la mejora de imágenes de baja iluminación en órbita en los satélites Beidou. En un esquema automatizado de recopilación de datos, nos hemos centrado en reducir las disparidades de dominio y aumentar la diversidad de los conjuntos de datos. Sobre la base de pruebas de simulación de robótica de condiciones de iluminación espacial, se recopilaron imágenes de hardware en órbita. Para muestrear de manera uniforme diferentes direcciones y distancias de pose sin colisión, se propuso un método de espacio de trabajo sin colisión y muestreo jerárquico de pose. Luego, se desarrolló un nuevo modelo de difusión. Para mejorar el contraste de las imágenes sin sobreexposición y borrosidad de detalles, se diseñó una guía de atención fusionada para resaltar la estructura y las áreas oscuras. Los resultados de la comparación con los métodos existentes indican que nuestro método tiene un mejor rendimiento en la mejora de imágenes de baja iluminación en órbita.

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