En los últimos años, el uso de Vehículos Aéreos No Tripulados (VANT) se ha expandido y ahora ha alcanzado niveles generales para aplicaciones como la inspección de infraestructuras, la agricultura, el transporte, la seguridad, el entretenimiento, el sector inmobiliario, la conservación del medio ambiente, la búsqueda y rescate, e incluso los seguros. Este aumento en la adopción se puede atribuir a la maduración del ecosistema de VANT, que no solo ha hecho que estos dispositivos sean más accesibles y rentables, sino que también ha mejorado significativamente sus capacidades operativas en términos de duración de vuelo y potencia de computación integrada. Junto con estos desarrollos, la investigación sobre Localización Visual Absoluta (LVA) ha visto un resurgimiento impulsado por la introducción del aprendizaje profundo en el campo. Estos nuevos enfoques han mejorado significativamente las soluciones de localización en comparación con la generación anterior de enfoques basados en extractores de características de visión por computadora tradicionales. Este documento realiza una revisión extensa de la literatura sobre métodos basados en aprendizaje profundo para la LVA de VANT, cubriendo avances significativos desde 2019. Repasa los desarrollos clave que han llevado al aumento de enfoques basados en aprendizaje y proporciona un análisis en profundidad de fuentes de localización relacionadas, como las Unidades de Medición Inercial (UMIs) y los Sistemas Globales de Navegación por Satélite (GNSS), destacando sus limitaciones y ventajas para una integración más efectiva con la LVA. El documento concluye con un análisis de los desafíos actuales y propone direcciones de investigación futuras para guiar el trabajo adicional en el campo.