En el ámbito de la seguridad espacial no cooperativa y el servicio en órbita, un desafío significativo es determinar con precisión la pose de satélites abandonados utilizando sensores de imagen. Los métodos tradicionales para estimar la posición del objetivo enfrentan problemas con la interferencia de luz dispersa en el espacio, lo que lleva a resultados inexactos. Por el contrario, las técnicas de aprendizaje profundo requieren una cantidad sustancial de datos de entrenamiento, lo cual es especialmente difícil de obtener para satélites en órbita. Para abordar estos problemas, este documento presenta un modelo innovador de estimación de pose binocular basado en una Red de Transformadores Auto-supervisada (STN) para lograr una estimación precisa de la pose de los objetivos incluso en condiciones de imagen deficientes. El método propuesto generó muestras de entrenamiento simuladas considerando diversas condiciones de imagen. Luego, al combinar los conceptos de redes neuronales convolucionales (CNN) y características SIFT para cada muestra, el método propuesto minimizó los efectos disruptivos de la luz dispersa. Además, la red de avance en el Transformador utilizada en el método propuesto fue reemplazada por una capa de agrupamiento promedio global. Esta integración de las capacidades de sesgo de las CNN compensa las limitaciones del Transformador en escenarios con datos limitados. El análisis comparativo con respecto a los métodos existentes de estimación de pose destaca la superior robustez del método propuesto frente a variaciones causadas por conjuntos de muestras ruidosas. La efectividad del algoritmo se demuestra a través de datos simulados, mejorando el panorama actual de la tecnología de estimación de pose binocular para objetivos no cooperativos en el espacio.