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。
