La fusion d'images de télédétection, en tant que branche importante de la fusion de données, est d'une grande importance pour l'étude des objets terrestres, le choix efficace d'une méthode de fusion appropriée est particulièrement important pour améliorer la précision des images. Avec le développement des technologies de télédétection, les méthodes traditionnelles de fusion d'images ont du mal à répondre aux exigences de précision des images, et de nouvelles méthodes de fusion sont constamment proposées. Dans le domaine du traitement des images de télédétection, les réseaux génératifs adverses (GAN) avec leur puissante capacité de génération et leur capacité à modéliser des distributions complexes sont rapidement devenus une technique importante pour améliorer la qualité de fusion d'images. Cet article passe en revue les méthodes traditionnelles de fusion d'images de télédétection et leurs limites, et analyse également l'apprentissage en profondeur, en particulier GAN, et ses avantages dans ce domaine. En présentant en détail plusieurs architectures GAN et fonctions de perte, il révèle leur énorme potentiel dans l'amélioration de la résolution spatiale et spectrale des images fusionnées. De plus, il explique également en détail les dernières méthodes de fusion d'images de télédétection basées sur GAN, et discute de leur application dans la netteté des images en couleur et dans les tâches d'amélioration d'images hyperspectrales. Cet article résume le processus de développement des méthodes de fusion d'images de télédétection basées sur GAN, et analyse les problèmes actuels de la technologie et les orientations futures sous trois aspects.

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