La fusión de imágenes de teledetección, como una rama importante de la fusión de datos, es de gran importancia para la investigación de objetos, la selección eficaz del método de fusión es especialmente importante para mejorar la precisión de las imágenes. Con el desarrollo de las tecnologías de teledetección, los métodos tradicionales de fusión de imágenes ya no pueden cumplir con los requisitos de precisión de las imágenes, por lo que 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 generativa y su capacidad para modelar distribuciones complejas, se convierten 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, analiza el aprendizaje profundo, en particular GAN, en este campo, y describe en detalle diversas arquitecturas GAN y funciones de pérdida, revelando su enorme potencial para mejorar la resolución espacial y espectral de las imágenes fusionadas. Además, se examinan en detalle diversas metodologías recientes de fusión de imagenes de teledetección basadas en GAN, discutiendo su aplicación en la mejora de la nitidez a color y en las tareas de hiperespectrales de las imagenes. El artículo resume el desarrollo de métodos de fusión de imagenes de teledetección basadas en GAN, y analiza los problemas y direcciones de desarrollo futuro de la tecnología actual desde 3 aspectos diferentes.

imágenes de teledetección; fusión de datos de múltiples fuentes; aprendizaje profundo; redes generativas adversarias; mejora de la nitidez del color de las imágenes de teledetección; imágenes hiperespectrales