本文是发表于《中国科学: 信息科学》的综述论文《极端空间环境目标精细感知综述》，由西北工业大学计算机学院的张楚艾、杨佳琪、闫庆森、齐召帅、邹阳、张艳宁撰写，张艳宁为通信作者。论文于2024年12月30日收稿，2025年10月20日网络首发。该文聚焦极端空间环境下的目标精细感知问题，围绕低质图像增强、目标三维重建和目标姿态估计三大核心环节展开系统综述。

论文在引言中指出，随着航天技术发展，太空感知已成为卫星观测、深空探测、轨道交会等任务的关键支撑。然而，极端空间环境具有复杂光照、极端温差、微重力、高辐射等特殊条件，导致图像退化、数据低信噪比、观测视角受限等问题，极大限制了感知精度与任务效率。文章随后重点对低质图像增强进行了深入综述。

在低质图像增强部分，作者首先将问题划分为噪声、模糊、低分辨率、过曝欠曝等退化类型，并分别回顾了图像去噪、图像去模糊、图像超分辨、图像增强、多曝光图像融合及图像质量评价等方法。在图像去噪方面，作者将方法分为传统方法与基于深度学习的方法。传统方法又分为基于空间域和基于变换域两类。空间域方法以均值滤波、中值滤波及改进的高斯滤波为代表，可应对高斯噪声、椒盐噪声等典型噪声，并能在远距离观测中保留弱小点目标信号。变换域方法则通过小波变换等抑制高频噪声成分，保留图像细节。作者指出，传统方法计算简单、速度快，但面对复杂噪声时去噪效果有限。基于深度学习的方法被进一步划分为基于卷积神经网络、生成式对抗网络、无监督学习和自监督学习四类。以DnCNN、FFDNet为代表的卷积神经网络方法显著提升了去噪性能；生成式对抗网络方法通过学习噪声分布获得高质量去噪结果；无监督方法和自监督方法如FBI-Denoiser、Noise2Void等可在无净图或噪声模型的情况下实现高效降噪，尤其适用于数据资源受限的极端环境。作者通过BSD68等数据集上的对比实验说明，深度学习方法在PSNR指标上普遍优于传统方法，但深度模型存在需要大量训练数据、结构复杂、泛化能力不足等挑战。

在图像去模糊部分，作者围绕非盲去模糊与盲去模糊两大类别展开。非盲去模糊假设模糊核已知，包括基于优化的维纳滤波、Richardson-Lucy算法及其改进方法，以及基于学习的卷积神经网络方法和将优化与学习结合的混合方法。盲去模糊则需要同时估计模糊核和清晰图像，是高度病态问题。作者从模糊核估计、端到端方法和基于扩散模型的方法三个方向进行分析。模糊核估计通过数据驱动方式提升恢复效果；端到端方法如DeblurGAN、DeblurGAN-v2及引入注意力机制的SharpFormer等直接学习模糊到清晰的映射；基于扩散模型的方法如HI-Diff通过逐步去噪重建清晰图像，在复杂模糊场景下表现优异。作者对比了不同去模糊方法在GoPro和HIDE数据集上的PSNR和SSIM指标，指出HI-Diff和ID-Blau等方法性能持续提升，但尚无专门针对空间目标成像的扩散模型去模糊方法，未来可探索轻量化扩散模型或融入空间场景先验。

在图像超分辨部分，作者将方法分为单图像超分辨和多图像超分辨两大类。单图像超分辨进一步分为非盲和盲方法。非盲方法以SRCNN、LapSRN、ESRGAN、LDMS等为代表，依赖已知退化模型；盲方法以IKC、DAN、KernelGAN、DRSR等为代表，通过监督或无监督方式估计退化过程。多图像超分辨包括基于参考的超分辨和多帧超分辨。基于参考的方法如SRNTT、TTSR通过特征对齐与匹配集成参考信息；多帧超分辨则可分为显式对齐的非盲方法、显式对齐的盲方法和隐式对齐的非盲方法，代表方法包括光流运动估计、双向循环卷积网络、BlindVSR、SingleVSR等。作者指出，真实空间图像数据匮乏，多数方法通过三维模型渲染与降质仿真构建训练集，但合成数据与真实空间退化之间存在域差距，未来需引入自适应退化建模、无监督或弱监督学习及多模态先验。

在图像增强部分，作者聚焦低光图像增强。传统方法包括直方图均衡和基于Retinex模型的方法，二者能提高对比度或分解亮度与反射分量，但存在过度增强、噪声放大、先验难以确定及运行时间长等局限。基于深度学习的方法按学习策略分为监督学习、无监督学习、半监督学习和零样本学习。监督学习方法以LLNet、Lyt-Net和基于扩散模型的方法为代表；无监督方法包括EnlightenGAN、PairLIE、SCI等；半监督方法如DRBN结合监督恢复与对抗学习；零样本方法以Zero-DCE和RUAS为代表，通过曲线估计或结构搜索实现无需参考图像的增强。作者在北斗导航卫星数据集上对比了RetinexNet、WaveNet、Retinexformer、LytNet等方法的PSNR、SSIM和LPIPS，指出Retinexformer在分布学习上较优但存在分辨率下降，零样本和无监督方法在真实场景中泛化性能更强。作者还特别指出，多数低光增强方法在增强过程中仅考虑可见性，而忽略图像信息保留，可能损害高级视觉模型的性能。

在多曝光图像融合部分，作者分析了传统方法和基于深度学习的方法。传统方法分为基于空间域和基于变换域两类。空间域方法通过像素级或图像块分解生成权重图以融合不同曝光图像，代表工作包括亮度分布场景分割与信号强度、结构、平均强度三分量分解；变换域方法以拉普拉斯金字塔和高斯金字塔为代表，通过多层次分解与加权实现高质量融合。作者指出，传统方法手工特征设计成本高且效率低，近年来深度学习方法因其强大表征能力在多曝光图像融合中得到广泛应用。作者在文中配有多曝光图像融合可视化效果图和方法分类图，较完整地呈现了该方向的发展脉络。

总体而言，本文以技术演进的视角，系统梳理了极端空间环境目标精细感知中低质图像增强的各主要方向，总结了经典方法、深度学习新方法及其优缺点，并通过多个数据集上的定量对比展示了各方法的性能差异。文章还指出当前方法在泛化能力、数据匮乏、计算资源受限、真实场景与合成数据之间的域差距等方面仍存在诸多挑战。作为一篇综述，该文为该领域研究者提供了较为全面的方法分类、时间脉络、数据库与评价指标参照，揭示了未来需要突破的瓶颈，包括轻量化深度模型、无监督与自监督学习策略、扩散模型在空间目标成像中的专用化、多模态信息融合、合成数据与真实空间退化的域适应等问题。该文的理论价值在于对空间感知各关键技术进行了系统化总结与对比，应用价值在于为深空探测、航天器在轨服务、空间目标监视等任务中的图像处理与感知算法设计提供了技术参考与发展方向判断。