Die Fusion von Fernerkundungsbildern, als wichtiger Zweig der Datenfusion, ist von großer Bedeutung für die Erforschung terrestrischer Objekte, die effektive Auswahl einer geeigneten Fusionsmethode ist besonders wichtig, um die Genauigkeit der Bilder zu verbessern. Mit der Entwicklung der Fernerkundungstechnologien haben herkömmliche Methoden zur Bildfusion Schwierigkeiten, die Anforderungen an die Bildgenauigkeit zu erfüllen, und ständig werden neue Fusionsmethoden vorgeschlagen. Im Bereich der Fernerkundungsbildverarbeitung sind generative gegnerische Netze (GAN) mit ihrer leistungsstarken Erzeugungsfähigkeit und ihrer Fähigkeit zur Modellierung komplexer Verteilungen schnell zu einer wichtigen Technik zur Verbesserung der Bildfusion geworden. Dieser Artikel gibt einen Überblick über herkömmliche Methoden zur Fusion von Fernerkundungsbildern und ihre Grenzen und analysiert auch das tiefe Lernen, insbesondere GAN, und seine Vorteile in diesem Bereich. Durch eine ausführliche Vorstellung verschiedener GAN-Architekturen und Verlustfunktionen werden ihre enormen Potenziale zur Verbesserung der räumlichen und spektralen Auflösung fusionierter Bilder enthüllt. Darüber hinaus werden auch die neuesten auf GAN basierenden Methoden zur Fusion von Fernerkundungsbildern ausführlich dargestellt und ihre Anwendung bei der Schärfe von Farbbildern und bei der Verbesserung von hyperspektralen Bildern diskutiert. Dieser Artikel fasst den Entwicklungsprozess der auf GAN basierenden Methoden zur Fusion von Fernerkundungsbildern zusammen und analysiert die aktuellen Probleme der Technologie und zukünftige Ausrichtungen aus drei Aspekten.

remote sensing image;multi-source data fusion;deep learning;Generative Adversarial Network;pan-sharpening;multispectral image;hyperspectral image