刘付成，牟金震，刘宗明，韩飞，李爽

1. 上海航天技术研究院，上海 201109 2.上海航天控制技术研究所，上海 201109 3.上海市空间智能控制技术重点实验室，上海 201109 4.南京航空航天大学 航天学院，南京 210016

受限于空间特殊的光照环境，导致获取的失效卫星图像呈现低照度现象[1-4]。此时应用视觉观测方法估计空间失效卫星相对位姿时，无法实现连续稳定的长时间测量。对低照度图像进行增强预处理，能够为目标位姿测量任务提供更高质量的图像信息[5-6]。

传统的低照度图像增强方法主要由直方图均衡化(HE)和Retinex主导。HE 是一种常用的灰度增强算法，其原理是通过拉伸图像的动态范围来增加对比度[7]。Retinex 的基本原理是假设一幅图像是由入射光分量和反射光分量组成，只需去除照射图的影响即可得到物体本来的样子，完成图像增强[8-10]。由于空间图像的低对比度等原因，导致传统方法的增强结果存在明显的细节模糊、色彩失真等问题。

基于深度学习的方法在低照度图像增强方面取得了显着的成功[11-12]。由于难以获得匹配数据，文献[13-15]在非配对训练条件下，利用生成对抗网络实现低照度图像增强。文献[16]在非配对训练数据条件下，通过轻量级网络DCE-Net在没有参考图像的情况下进行训练。但是，面向空间图像处理的深度学习方法目前非常罕见，主要原因在于小样本问题。综上所述，如何在小样本条件下提高空间低照度图像的质量，仍然是一个值得研究的问题。

此外，单目视觉SLAM方法是完成非合作目标的位姿测量任务的有效手段之一，具有在轨应用的潜能[17-20]。……