La fusion d'images de télédétection, en tant que branche importante de la fusion de données, revêt une importance particulière pour l'étude des objets, le choix efficace de la méthode de fusion est particulièrement important pour améliorer la précision des images. Avec le développement des technologies de télédétection, les méthodes traditionnelles de fusion d'images ne peuvent plus satisfaire aux exigences de précision des images, de nouvelles méthodes de fusion sont constamment proposées. Dans le domaine du traitement des images de télédétection, les réseaux génératifs antagonistes (GAN), avec leur puissant pouvoir génératif et leur capacité à modéliser des distributions complexes, deviennent rapidement une technologie importante pour améliorer la qualité de la fusion d'images. Cet article passe en revue les méthodes traditionnelles de fusion d'images de télédétection et leurs limites, analyse l'apprentissage en profondeur, en particulier GAN, dans ce domaine, et décrit en détail diverses architectures GAN et fonctions de perte, révélant leur énorme potentiel pour améliorer la résolution spatiale et spectrale des images fusionnées. De plus, diverses méthodes récentes de fusion d'images de télédétection basées sur GAN sont examinées en détail, discutant de leur application dans l'amélioration de la netteté couleur et des images hyperespectrales. L'article résume le développement des méthodes de fusion d'images de télédétection basées sur GAN, et analyse les problèmes et orientations de développement futur de la technologie actuelle à partir de 3 aspects différents.

images de télédétection; fusion de données multi-sources; apprentissage en profondeur; réseaux génératifs antagonistes; amélioration de la netteté des images télédétection couleur et des images hyperespectrales