La fusión de imágenes de teledetección, como una rama importante de la fusión de datos, tiene un significado importante para el estudio de objetos terrestres. La selección eficaz de un método de fusión adecuado es especialmente importante para mejorar la precisión de las imágenes. Con el desarrollo de la tecnología de teledetección, los métodos tradicionales de fusión de imágenes ya no pueden satisfacer los requisitos de precisión de las imágenes, y continuamente se proponen nuevos métodos de fusión. En el campo del procesamiento de imágenes de teledetección, las redes generativas antagónicas (GAN), debido a su poderosa capacidad generativa y su capacidad para modelar distribuciones complejas, se han convertido rápidamente en una tecnología 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 las ventajas del aprendizaje profundo, especialmente de las GAN, en este campo. A través de una introducción detallada de varias arquitecturas GAN y funciones de pérdida, revela su gran potencial para mejorar la resolución espacial y espectral de las imágenes fusionadas. Además, se detalla la aplicación de diversos métodos de fusión de imágenes de teledetección basados en GAN en los últimos años, y se discute su uso en tareas de afilado pancromático y afilado hiperespectral. Este artículo resume el desarrollo de métodos de fusión de imágenes de teledetección basados en GAN y analiza los problemas actuales y las direcciones futuras desde tres aspectos.

imágenes de teledetección; fusión de datos multisource; aprendizaje profundo; redes generativas antagónicas; afilado pancromático de imágenes de teledetección; imágenes multiespectrales; imágenes hiperespectrales