Die Fusion von Fernerkundungsbildern als wichtiger Zweig der Datenfusion ist von großer Bedeutung für die Untersuchung von Geländeobjekten. Die effektive Auswahl geeigneter Fusionsmethoden ist besonders wichtig zur Verbesserung der Bildgenauigkeit. Mit der Entwicklung der Fernerkundungstechnologie können traditionelle Bildfusionsmethoden die Anforderungen an die Bildgenauigkeit nicht mehr erfüllen, und es werden ständig neue Fusionsmethoden vorgeschlagen. Im Bereich der Fernerkennungsbildverarbeitung sind generative gegnerische Netzwerke (GAN) aufgrund ihrer starken Generationsfähigkeit und der Modellierung komplexer Verteilungen schnell zu einer wichtigen Technologie zur Verbesserung der Bildfusion geworden. Dieser Artikel gibt einen Überblick über traditionelle Methoden der Fernerkundungsbildfusion und deren Beschränkungen und analysiert die Vorteile von Deep Learning, insbesondere GAN, in diesem Bereich. Durch eine detaillierte Einführung verschiedener GAN-Architekturen und Verlustfunktionen wird das große Potenzial zur Verbesserung der räumlichen und spektralen Auflösung fusionierter Bilder aufgezeigt. Darüber hinaus werden verschiedene auf GAN basierende Fernerkundungsbildfusionsmethoden der letzten Jahre ausführlich erläutert und deren Anwendung bei Aufgaben der Panchromatischen Schärfung sowie der hyperspektralen Panchromatischen Schärfung diskutiert. Der Artikel fasst die Entwicklung der auf GAN basierenden Fernerkundungsbildfusionsmethoden zusammen und analysiert aktuelle Probleme und zukünftige Entwicklungsrichtungen aus drei Perspektiven.

Fernerkundungsbilder; Multisourcedatenfusion; Deep Learning; generative gegnerische Netzwerke; panchromatische Fernerkundungsbildschärfung; multispektrale Bilder; hyperspektrale Bilder