Фьюжн изображений дистанционного зондирования, как важная ветвь слияния данных, имеет большое значение для исследования наземной среды, эффективный выбор подходящего метода слияния особенно важен для повышения точности изображений. С развитием технологий дистанционного зондирования, традиционные методы слияния изображений уже трудно удовлетворяют требования точности изображений, и постоянно предлагаются новые методы слияния. В области обработки изображений дистанционного зондирования генеративные противоборствующие сети (GAN) благодаря своей мощной генерационной способности и способности моделирования сложных распределений уже быстро стали важной техникой для улучшения качества слияния изображений. В данной работе рассматривается традиционные методы слияния изображений дистанционного зондирования и их ограничения, и проанализировать глубокое обучение, особенно GAN и его преимущества в этой области. Путем подробного описания различных архитектур GAN и функций потерь, раскрываются значительные потенциалы GAN в улучшении пространственного и спектрального разрешения слияния изображений. Кроме того, также подробно объясняются последние методы слияния изображений дистанционного зондирования на основе GAN, и обсуждается их применение в резкости полноцветных изображений и в задачах улучшения гиперспектральных изображений. В данной работе обобщены процесс развития методов слияния изображений дистанционного зондирования на основе GAN, и проанализированы проблемы существующей технологии и перспективы развития с трех сторон.

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