通过角速度辅助的U-Net结合特征融合和CBAM技术实现星像运动去模糊

《Acta Astronautica》：Star Image Motion Deblurring via Angular Velocity Assisted U-Net with Feature Fusion and CBAM

星敏感器运动模糊图像的恢复方法，融合角速度数据引导的U-Net架构与CBAM模块，通过特征融合机制实现物理运动与视觉特征的协同学习，在模拟和真实数据中验证了PSNR提升16.84%、centroid误差降低至0.0836像素的有效性。

　　

陈然·李 | 徐燕 | 汉阳 | 王定杰 | 张洪波 | 鲍伟民

中国长沙国防科技大学

摘要

对于在太空中运行的恒星传感器而言，由于复杂的运动方式，恒星图像容易受到模糊的影响，这导致恒星识别困难以及恒星斑点提取的准确性降低。尽管已经应用了深度学习方法来缓解这些问题，但其性能往往受到忽视物理运动信息的限制。为了解决这个问题，我们嵌入了角速度数据来指导网络建立角速度与模糊参数之间的关系。此外，考虑到恒星斑点特征的稀疏性，我们引入了卷积块注意力模块（CBAM）来增强恒星区域及其运动轨迹的特征显著性。还设计了一个专门的特征融合模块，以有效整合惯性数据和视觉表示，从而实现物理运动模式和图像特征的联合学习。仿真实验表明，与基线U-Net相比，所提出的方法显著提高了图像恢复质量，PSNR提高了16.84%，并将质心误差降低到0.0836像素。基于在轨观测数据的实验验证了该方法在现实场景中的有效性。

引言

作为高精度的恒星观测设备，恒星传感器具有高自主性、高测量精度和良好可靠性等优点[1]、[2]、[3]，在航天器导航和引导中展现出重要的应用价值[4]、[5]。随着微电子技术的进步，现代恒星传感器正朝着小型化和智能化方向发展[6]。然而，在航天器快速姿态机动过程中，恒星与成像设备之间的相对运动会使得恒星斑点在成像平面上发生位移，形成运动轨迹并导致运动模糊。运动模糊会将恒星斑点的能量分散到整个图像平面上，降低其亮度和对比度，从而妨碍准确识别和提取，限制了动态条件下的导航精度[7]、[8]。

目前关于运动模糊恒星图像处理的研究主要遵循三种方法论方向：基于模型的恢复、传感器辅助重建和直接特征提取[9]。基于模型的方法利用数学或几何先验来解决病态去模糊问题。这包括$$正则化优化框架以实现高效的稀疏恢复[10]、[11]，结合运动学模型的卡尔曼滤波[12]，以及为特定运动轨迹（如椭圆弧）设计的几何变换[13]。虽然在匹配条件下效果显著，但其性能高度依赖于预定义先验模型的准确性。传感器辅助方法利用陀螺数据来重建模糊核或校正质心[14]、[15]，但严重依赖于外部传感器的精度和同步性。直接特征提取方法通过滤波或模型拟合将条纹视为可测量对象[16]、[17]，在计算效率与鲁棒性之间进行权衡。尽管取得了进展，但这些方法在准确性和鲁棒性之间仍存在持续的trade-off，尤其是在信噪比低、条纹重叠和计算成本高的情况下。

近年来，深度学习在运动去模糊领域取得了显著进展。特别是基于U-Net的架构通过端到端学习和非迭代高效处理克服了传统方法的许多限制。U-Net架构特别适合恒星图像恢复，因为它在处理高度不平衡的数据分布方面具有固有能力，其中稀疏的恒星像素被广阔的背景区域所主导[18]。其编码器-解码器设计最初是为分割任务优化的，能够精确定位模糊的恒星斑点，并以最小的训练开销实现高效的特征提取，使其成为重建运动模糊恒星斑点结构的理想框架[19]。赵等人[20]引入了Transformer模块来有效捕获长距离模糊核，显著提高了去模糊性能。结合运动自适应可分离协作滤波（MISC Filter）模块和核预测网络（KPN）也表现出色，因为其参数数量少且具有强大的泛化能力[21]、[22]。此外，庞等人利用预训练的视频扩散模型（VDM）在潜在空间中恢复了清晰的帧，而无需显式估计核[23]。然而，这些方法主要关注常规摄影场景，而不是如天文成像这样的特殊成像环境。天文图像的特点是具有大面积的暗背景和稀疏分布的亮星，导致信息密度低且特征提取困难。廖等人[24]首次将深度学习应用于恒星图像去模糊，通过手动裁剪包含单个恒星的局部区域并使用胶囊网络进行特征提取。然而，这种方法缺乏自动识别模糊恒星并相应提取特征的能力。此外，现有网络没有充分利用惯性信息，未能建立角速度参数与模糊核之间的动态关系[25]。角速度数据与图像特征之间缺乏有效的融合机制，导致物理测量和视觉表示之间的脱节，严重限制了深度学习在运动去模糊任务中的性能[26]。

受[27]、[28]工作的启发，我们提出了一种改进的U-Net架构，具有以下贡献：1）集成卷积块注意力模块（CBAM）以自适应地加权恒星图像的特征，增强特征提取能力；2）结合惯性信息帮助网络学习角速度与恒星模糊之间的映射关系；3）引入特征融合机制，指导角速度数据与视觉表示的整合，使网络能够利用角速度信息进行精确的运动去模糊。本文分为四个部分。在引言之后，我们通过特征融合和CBAM开发了一个角速度辅助的U-Net，用于恒星图像的运动去模糊。第三部分涵盖了仿真实验和基于在轨观测的实验。第四部分是结论。

章节片段

运动模糊恒星图像恢复方法

本工作的主要目标是构建一个基于U-Net的模型，能够有效恢复运动模糊的恒星斑点。为了将角速度作为辅助运动信息纳入其中，我们设计了一个角速度信息嵌入模块。为了增强网络对恒星斑点特征的感知及其利用角速度信息的能力，我们进一步引入了CBAM，并提出了一个跨层特征融合机制。

实验设计和条件

在本节中，为了评估所提出方法在运动模糊恒星图像恢复中的作用，我们设计了三个实验：

•

消融实验，以验证每个提出模块的贡献及其在有效利用物理运动数据以增强视觉特征恢复方面的协同效应。

•

与其他方法的比较实验，以展示我们的方法在运动去模糊和质心定位方面的优越性。

•

基于在轨观测的实验

结论

本文提出了一种基于角速度辅助的U-Net，通过结合角速度信息来指导深度学习网络，有效解决了恒星图像中的运动去模糊问题。我们的关键创新在于特征融合模块和CBAM的协同设计，成功地利用运动数据来指导视觉特征的恢复。这种方法消除了对传统两阶段估计的依赖，实现了端到端的恢复。

代码和数据可用性

为了促进可重复性和社区进步，本工作的资源已公开发布在：https://github.com/PepsiLevis/Star-Images-Motion-Deblurring-UNet。

该仓库包含：

1.

所提出的角速度辅助U-Net架构的完整源代码。

2.

生成论文中描述的合成运动模糊恒星图像数据集的代码。

3.

完整的训练脚本，包括超参数配置、优化器设置、数据

CRediT作者贡献声明

陈然·李：撰写——原始草稿、可视化、验证、软件、方法论、调查、数据整理、概念化。王定杰：撰写——审阅与编辑、方法论、资金获取、概念化。张洪波：撰写——审阅与编辑、资金获取、形式分析、概念化。徐燕：监督、调查、数据整理。汉阳：监督、调查、形式分析、概念化。鲍伟民：监督、项目

利益冲突声明

? 作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了国家自然科学基金（92371203）的支持。