基于深度学习的星敏感器图像信噪比增强方法

《Remote Sensing》：A Deep Learning-Based Method for Enhancing the Signal-to-Noise Ratio of Star Sensor Images

　　

在窗口跟踪模式(Window Tracking Mode)下，杂散光与探测器读出噪声可使星敏感器图像中的星点信号(Star Spot Signal)被淹没。由此导致的退化会降低质心提取(Centroiding)精度甚至造成提取失败，进而妨碍精确姿态确定。本研究采用自监督时空去噪模型ASTERIS为基线(Baseline)，其通过集成三维(3D)时空输入与全局注意力机制实现联合噪声建模，具备优于传统多帧叠加(Multi-frame Stacking)等方法的去噪与复原能力。然而ASTERIS缺乏对在轨星图亚像素抖动(Sub-pixel Jitter)的自适应补偿，且难以保留星点高频形态，影响去噪性能与质心定位精度。为解决上述局限，研究人员引入两项改进：第一，在解码器上采样阶段融入逐帧空间可变形卷积(Frame-wise Spatial Deformable Convolution)，以自适应补偿亚像素偏移、主动抑制背景噪声并降低参数量；第二，设计带高频加权掩膜的高复数域频域损失(Complex-domain Frequency Loss with High-frequency Weighted Mask)，联合约束幅度谱与相位谱，从而保留星点高频细节。实验结果表明，对于极低信噪比(PSNR)的星图，所提方法使峰值信噪比提升约17.8 dB，质心定位误差降至约0.1像素，显著优于原始ASTERIS模型（PSNR提升约9.5 dB，误差约0.4像素）及多帧叠加法（PSNR提升约6.0 dB，误差约0.5像素）。所提改进克服了基线自监督时空框架在帧间抖动补偿与高频细节保留方面的不足，可在无干净真值(Ground Truth)数据情况下实现有效的在轨星敏感器窗口图像去噪。未来工作将面向工程部署进一步展开。

《Remote Sensing》刊载论文解读：基于改进ASTERIS的自监督时空去噪方法增强星敏感器窗口图像信噪比

研究背景与意义

星敏感器(Star Sensor)是航天器姿态测量的核心光学传感器，其提供的姿态信息直接影响遥感影像几何定位精度。在窗口跟踪模式(Window Tracking Mode)下，FPGA截取含星点的小窗口分别并行处理以提速。实际在轨环境中，地球气辉、太阳光及光学系统内部散射引入的空间非平稳杂散光(Spatially Non-stationary Stray Light)，与探测器复位、放大及量化过程产生的读出噪声(Readout Noise，近似零均值独立同分布)，常将服从二维高斯点扩散函数(Point Spread Function, PSF)分布的暗弱星点信号淹没。传统多帧叠加(Multi-frame Stacking，均值/中值/加权)虽能抑制时域随机噪声，但无法消除具非零均值的空间非均匀背景，且本质为低通滤波会弱化星点高频能量，对亚像素级星点抖动(Sub-pixel Jitter，典型RMS 0.1~0.3 pixel)缺乏自适应配准。BM3D(Block-Matching and 3D Filtering)、NLM(Non-Local Means)等传统算法依赖手工先验，计算量大且对严重杂散光下的星图块匹配易失效。现有基于深度学习的3D时空自监督模型ASTERIS虽强于低信噪比(Signal-to-Noise Ratio, SNR)复原，但直接用于星敏感器窗口图像时存在两点不足：(1)静态卷积核无法自适应补偿帧间亚像素位移导致特征错位与融合精度下降；(2)仅用空域L1/L2损失易过度平滑背景致使星点峰值强度降低、PSF扩散，损害质心提取精度。为此，研究人员以ASTERIS为基线，提出融入逐帧空间可变形卷积与复频域高频加权损失的改进自监督去噪网络，旨在同时解决抖动补偿与星点高频形态保留难题，提升在轨无干净真值条件下的窗口图像复原质量与质心解算精度。

主要关键技术方法

研究人员以ASTERIS（基于Restormer扩展的3D时空自监督去噪网络，采用Multi-Dconv Head Transposed Attention (MDTA)与Gated-Dconv Feed-Forward Network (GDFN)）为骨干，采取Noise2Noise式自监督训练——输入8帧偶数帧预测，以8帧奇数帧为目标，L1_stack约束单帧差异、L2_mean约束序列均值差异。改进点包括：(1)在解码器上采样阶段以逐帧二维可变形卷积(Deformable Convolution v2思想)替换标准3D卷积，各帧共享偏移预测卷积与可变形卷积权重，通过学到的空间偏移场自适应对齐亚像素抖动的星点；(2)在总损失中加入复值频域损失L_freq，对预测与目标做2D-FFT得到复频谱，以高频加权掩膜(归一化频率半径阈值r₀=0.2)强调中高频分量，联合约束幅度与相位谱以保星点边缘与PSF形态。仿真数据集由地面标定真实窗口图像(48×48，30种星点形态)加模拟帧间无关零均值读出噪声与随机杂散光构成(平均PSNR≈8 dB，含±0.2 pixel质心抖动)，按4:1划分为训练集(96000图)与测试集(每星点100组8帧序列)。评估指标为PSNR、质心误差标准差(采用窗内灰度重心法，阈值为背景均值+2.3×背景标准差)及噪声标准差σ_noise。

研究结果

4.1. Dataset and Evaluation Metrics（数据集与评估指标）

研究人员基于真实标定星点窗口叠加模拟噪声构建数据集，详述PSNR与质心误差计算方法，明确测试以每组8帧为单元评估。

4.2. Experimental Results and Comparison with Multi-Frame Stacking (Mean), BM3D, and the Original ASTERIS Model（与多帧叠加、BM3D及原始ASTERIS模型的对比结果）

通过30种星点在100组测试序列上的统计表明：所提方法(DFConv+Freq)平均PSNR提升约17.8 dB，质心误差约0.1 pixel，σ_noise最小；原始ASTERIS为约9.5 dB/0.4 pixel；多帧均值叠加约6.0 dB/0.5 pixel；BM3D接近多帧叠加水平。模型参用量由161.6 MB降至117.2 MB（减少约1/4），推理百组8帧耗时约2.5 s与原基线相当。证实两项改进显著提升基线去噪与复原能力，且深度学习法远优于传统方法。

4.3. Ablation Study（消融实验）

单独移除可变形卷积主要降低PSNR与增大σ_noise（证明其通过抖动补偿提升跨帧融合与背景抑制）；单独移除频域损失主要增大质心误差（证明其对保留星点PSF高频形态的关键作用）。二者结合互为补充——可变形卷积提供空间选择性避免频域损失放大背景高频噪声，频域损失防止可变形卷积单独作用时的过度平滑，实现SNR与形态双重增益。

4.4. Parameter Tuning Study（参数调优研究）

• •
  4.4.1 可变形卷积置于编码器的下采样阶段反而劣于原始ASTERIS，因编码器主要负责捕捉帧间时域依赖，替换为逐帧2D可变形卷积丢失时序信息且低分辨率特征图不利于亚像素偏移估计，验证了置于解码器上采样阶段的合理性。
• •
  4.4.2 高频加权掩膜阈值r₀网格搜索得r₀=0.2最优；过小忽略低频背景区分度致PSNR与质心精度降，过大引入高频噪声放大甚至星点旁瓣。
• •
  4.4.3 频域损失平衡系数λ_freq网格搜索得λ_freq=1000最优；过小高频保护不足，过大空域平滑约束被压制致背景不均与灰度分布偏离物理PSF。

4.5. Generalization Study（泛化性研究）

• •
  4.5.1 无帧间抖动（质心固定窗口中心）测试显示基线ASTERIS本身已有较好去噪，单独加可变形卷积或频域损失提升有限，但二者结合仍带来SNR与质心精度明显增益，印证可变形卷积专司抖动补偿、频域损失需空间选择性配合才能避免噪声放大。
• •
  4.5.2 未见新形态星点测试结果与训练集内表现一致，说明ASTERIS式3D时空自监督策略对星点亮度与PSF半径不敏感，主要影响因子为噪声强度与帧间抖动，模型具良好跨星点形态泛化能力。

讨论与结论翻译

研究人员指出，对于具非零均值的渐变杂散光干扰（如太阳光照引起的慢变背景），本方法及所有依赖时域独立假设的自监督方法理论上均无法完全去除均值分量，但本网络的空间自适应滤波能力优于多帧叠加，可更好抑制背景空间非均匀性并减小质心误差。未来拟引入可学习背景分离网络(Background Estimation Branch)做输入端静态背景扣除，并开展轻量化设计与动态自适应频域损失加权，采集真实在轨星图构建多样测试基准以验证对未知噪声分布与杂散光模式的泛化性，为最终工程部署奠基。

结论译文： 本研究针对受高斯分布探测器读出噪声与帧间独立近似零均值空间随机杂散光退化的星敏感器窗口图像，提出一种基于逐帧空间可变形卷积与复域频域约束的深度学习去噪方法。以ASTERIS为基线，保留其优势并引入解码器逐帧空间可变形卷积与复域频域损失约束两项改进，补偿星点亚像素抖动、增强去噪能力、保留星点高频形态并将模型参数量降低约四分之一。实验中所提方法PSNR提升约17.8 dB，质心定位误差约0.1像素（小于测试集人为引入的约0.2 pixel质心抖动范围），显著优于多帧叠加、BM3D及原始ASTERIS模型，证明其在低SNR条件下可有效恢复星点并实现可靠质心提取，具备在轨星敏感器数据处理应用潜力。