Слияние спутниковых изображений является важным направлением слияния данных и имеет значительное значение для исследований наземных объектов. Эффективный выбор подходящего метода слияния особенно важен для повышения точности изображений. С развитием технологий дистанционного зондирования традиционные методы слияния изображений уже не могут удовлетворить требования к точности, постоянно предлагаются новые методы слияния. В области обработки спутниковых изображений генеративные состязательные сети (GAN) благодаря своей мощной способности генерации и моделированию сложных распределений быстро становятся важной технологией для повышения качества слияния изображений. В данной статье рассмотрены традиционные методы слияния спутниковых изображений и их ограничения, а также проанализированы преимущества глубокого обучения, особенно GAN, в данной области. Подробное изложение различных архитектур GAN и функций потерь раскрывает их огромный потенциал для повышения пространственного и спектрального разрешения сливаемых изображений. Кроме того, детально рассматриваются различные методы слияния спутниковых изображений на основе GAN последних лет и обсуждаются их применения в задачах паншарпенинга и гиперспектрального паншарпенинга. В статье подведены итоги развития методов слияния спутниковых изображений на основе GAN, проанализированы текущие проблемы и направления будущего развития с трех аспектов.

спутниковые изображения; слияние многоресурсных данных; глубокое обучение; генеративные состязательные сети; паншарпенинг спутниковых изображений; мультиспектральные изображения; гиперспектральные изображения