Die Fusion von Fernerkundungsbildern als wichtiger Bereich der Datenfusion ist von großer Bedeutung für die Untersuchung von Objekten. Die effektive Auswahl der Fusionstechnik ist besonders wichtig für die Verbesserung der Bildgenauigkeit. Mit dem Fortschreiten der Fernerkundungstechnologie können traditionelle Methoden zur Bildfusion die Anforderungen an die Bildgenauigkeit nicht mehr erfüllen, daher werden kontinuierlich neue Bildfusionsmethoden vorgeschlagen. Im Bereich der Fernerkundungsbildverarbeitung werden generative gegnerische Netzwerke (GAN) mit ihrer leistungsstarken Generierungsfähigkeit und ihrer Fähigkeit, komplexe Verteilungen zu modellieren, schnell zu einer wichtigen Technologie zur Verbesserung der Bildfusion. In diesem Artikel werden traditionelle Methoden zur Fusion von Fernerkundungsbildern und deren Beschränkungen überprüft, das Deep Learning, insbesondere GAN, in diesem Bereich analysiert und verschiedene GAN-Architekturen und Verlustfunktionen im Detail beschrieben, wodurch ihr enormes Potenzial zur Verbesserung der räumlichen und spektralen Auflösung von fusionierten Bildern offenbart wird. Darüber hinaus werden verschiedene, auf GAN basierende Fernerkundungsbild-Fusionsmethoden der letzten Jahre eingehend untersucht und deren Anwendung bei der Verbesserung der Farbschärfe und bei Aufgaben zur hochspektralen Farben und Bilder diskutiert. Der Artikel fasst die Entwicklung der auf GAN basierenden Fernerkundungsbild-Fusionsmethoden zusammen und analysiert die Probleme und zukünftigen Entwicklungsrichtungen der aktuellen Technologie aus drei verschiedenen Perspektiven.

Fernerkundungsbilder; Fusion von Multisensorsdaten; Deep Learning; generative gegnerische Netzwerke; Verbesserung der Farbschärfe von Fernerkundungsbildern; Hyperspektralbilder