A fusão de imagens de sensoriamento remoto, como um ramo importante da fusão de dados, tem grande importância para o estudo de objetos terrestres. A escolha eficaz de um método de fusão adequado é especialmente importante para melhorar a precisão das imagens. Com o desenvolvimento da tecnologia de sensoriamento remoto, os métodos tradicionais de fusão de imagens já não atendem aos requisitos de precisão das imagens, e novos métodos de fusão são continuamente propostos. No campo do processamento de imagens de sensoriamento remoto, as redes adversariais generativas (GAN), devido à sua poderosa capacidade de geração e habilidade de modelar distribuições complexas, tornaram-se rapidamente uma tecnologia importante para melhorar a qualidade da fusão de imagens. Este artigo revisa os métodos tradicionais de fusão de imagens de sensoriamento remoto e suas limitações, além de analisar as vantagens do aprendizado profundo, especialmente das GAN, nesta área. Por meio de uma introdução detalhada a diversas arquiteturas GAN e funções de perda, revela seu enorme potencial para melhorar a resolução espacial e espectral das imagens fundidas. Além disso, apresenta detalhadamente vários métodos recentes de fusão de imagens de sensoriamento remoto baseados em GAN, discutindo suas aplicações em tarefas de pansharpening e pansharpening hiperespectral. Este artigo resume o desenvolvimento dos métodos de fusão de imagens de sensoriamento remoto baseados em GAN e analisa os problemas atuais e as direções futuras em três aspectos.

imagens de sensoriamento remoto; fusão de dados multisource; aprendizado profundo; redes adversariais generativas; pansharpening de imagens de sensoriamento remoto; imagens multiespectrais; imagens hiperespectrais