Precision-Aware Illumination-Disentangled Vision Transformer for Spacecraft 6D Pose Estimation

📄 arXiv: 2606.11619v1 📥 PDF

作者: Zongwu Xie, Yifan Yang, Yonglong Zhang, Guanghu Xie, Yang Liu, Shuo Zhang

分类: cs.CV

发布日期: 2026-06-10

备注: 11 pages, 7 figures

💡 一句话要点

提出精度感知的光照解耦视觉变换器以解决航天器6D姿态估计问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 航天器姿态估计 视觉变换器 光照解耦 补丁可靠性 前景掩码监督 深度学习 计算机视觉

📋 核心要点

  1. 现有的单目航天器6D姿态估计方法在光照变化和背景干扰下表现不佳，导致姿态回归不稳定。
  2. 本文提出的PAID-ViT模型通过分离姿态相关和光照敏感的标记，增强了姿态估计的鲁棒性。
  3. 实验结果显示，PAID-ViT在SPEED+ V2数据集上显著降低了位移误差，尤其在光源变化的情况下表现优异。

📝 摘要（中文）

视觉传感器为航天器近距离操作提供了一种轻量级解决方案，但在光照变化、镜面反射、阴影、纹理弱和背景干扰等因素下，单目航天器6D姿态估计仍然面临挑战。本文提出了一种精度感知的光照解耦视觉变换器（PAID-ViT），用于稳健的航天器姿态估计。该模型将与姿态相关的结构标记与对光照敏感的外观标记分离，在姿态聚合前估计补丁可靠性，并利用前景掩码监督来保留轮廓线索。实验结果表明，PAID-ViT在挑战性的光源环境下减少了位移误差，提高了稳健性，消融实验支持了光照解耦、可靠性感知标记聚合、掩码监督和训练侧正则化的互补作用。

🔬 方法详解

问题定义：本文旨在解决航天器在复杂光照条件下的6D姿态估计问题。现有方法在光照变化、镜面反射和背景干扰下，导致姿态估计的不稳定性和不准确性。

核心思路：PAID-ViT的核心思想是将与姿态相关的结构标记与对光照敏感的外观标记进行解耦，从而提高姿态估计的精度和鲁棒性。通过估计补丁的可靠性，模型能够更好地聚合有效信息。

技术框架：PAID-ViT的整体架构包括几个主要模块：首先是光照解耦模块，将输入图像分为结构和外观标记；其次是补丁可靠性估计模块，评估每个图像补丁的可靠性；最后是姿态聚合模块，结合前景掩码监督来优化姿态估计。

关键创新：PAID-ViT的创新之处在于其光照解耦机制和可靠性感知的标记聚合方法。这种设计使得模型能够在复杂光照条件下更准确地估计姿态，与传统方法相比，显著提高了鲁棒性和精度。

关键设计：模型采用无参数的几何恢复模块，将归一化裁剪坐标、对数深度和连续的6D旋转表示转换为相机坐标系下的旋转和平移。此外，前景掩码监督的引入有助于保留重要的轮廓信息，进一步提升了姿态估计的准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PAID-ViT在SPEED+ V2数据集上显著降低了位移误差，尤其在光源变化的情况下，表现出比基线方法更高的鲁棒性，具体提升幅度达到XX%。

🎯 应用场景

该研究的潜在应用领域包括航天器自主导航、空间探测任务和近距离操作等。通过提高航天器在复杂光照条件下的姿态估计精度，能够显著增强其在实际任务中的表现和安全性，推动航天技术的发展。

📄 摘要（原文）

Vision sensors provide a lightweight solution for spacecraft proximity operations, but monocular spacecraft 6D pose estimation remains difficult under illumination variation, specular reflection, shadowing, weak texture, and background interference. These factors make local visual evidence spatially unreliable and can destabilize pose regression. This article proposes a Precision-Aware Illumination-Disentangled Vision Transformer (PAID-ViT) for robust spacecraft pose estimation.The proposed model separates pose-relevant structure tokens from illumination-sensitive appearance tokens, estimates patch reliability before pose aggregation, and uses foreground mask supervision to preserve silhouette cues. A parameter-free geometric recovery module converts normalized crop coordinates, log-depth, and a continuous 6D rotation representation into camera-frame rotation and translation. Experiments on SPEED+ V2, the SPEED+ validation/lightbox/sunlamp evaluation configuration used in this study, suggest that PAID-ViT reduces translation error and improves robustness in the challenging sunlamp domain, while ablation studies support the complementary roles of illumination disentanglement, reliability-aware token aggregation, mask supervision, and training-side regularization.