La investigación sobre vehículos autónomos no tripulados (UAV) para misiones de búsqueda y rescate (SAR) es amplia debido a su rentabilidad y mejora de la seguridad y flexibilidad en las operaciones. Sin embargo, un desafío significativo surge de la calidad de los sensores, la variabilidad del terreno, el ruido y los tamaños de los objetivos en las imágenes y videos tomados por ellos. Las redes generativas antagónicas (GAN), introducidas por Ian Goodfellow, entre sus variaciones, pueden ofrecer excelentes soluciones para mejorar la calidad de los sensores, en lo que respecta a superresolución, eliminación de ruido y otros problemas de procesamiento de imágenes. Para identificar nuevas ideas y orientaciones sobre cómo aplicar las GAN para detectar seres vivos en operaciones SAR, se llevó a cabo una revisión sistemática de la literatura orientada a PRISMA para analizar estudios primarios que exploran el uso de GAN para la detección de bordes u objetos en imágenes capturadas por drones. Los resultados demuestran la utilización de algoritmos GAN en el ámbito de la mejora de imágenes para la detección de objetos, junto con las métricas empleadas para la validación de herramientas. Estos hallazgos proporcionan ideas sobre cómo aplicarlas o modificarlas para ayudar en la identificación de objetivos durante las etapas de búsqueda.