La fusión de imágenes de teledetección, como una importante rama de la fusión de datos, es de gran importancia para el estudio de los objetos terrestres, la elección efectiva de un método de fusión adecuado es particularmente importante para mejorar la precisión de las imágenes. Con el desarrollo de las tecnologías de teledetección, los métodos tradicionales de fusión de imágenes tienen dificultades para cumplir con los requisitos de precisión de las imágenes, y constantemente se proponen nuevos métodos de fusión. En el campo del procesamiento de imágenes de teledetección, las redes generativas adversarias (GAN) con su poderosa capacidad de generación y su capacidad para modelar distribuciones complejas se han convertido rápidamente en una técnica importante para mejorar la calidad de la fusión de imágenes. Este artículo revisa los métodos tradicionales de fusión de imágenes de teledetección y sus limitaciones, y analiza también el aprendizaje profundo, en particular GAN, y sus ventajas en este campo. A través de una detallada descripción de varias arquitecturas y funciones de pérdida de GAN, revela su enorme potencial en la mejora de la resolución espacial y espectral de las imágenes fusionadas. Además, también se explican detalladamente los últimos métodos de fusión de imágenes de teledetección basados en GAN, y se discute su aplicación en la nitidez de imágenes en color y en las tareas de mejora de imágenes hiperespectrales. Este artículo resume el proceso de desarrollo de los métodos de fusión de imágenes de teledetección basados en GAN, y analiza los problemas actuales de la tecnología y las direcciones futuras desde tres aspectos.

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