Generative Adversarial Networks (GANs) haben in der Computer Vision enorme Anwendungen gefunden. Doch im Kontext der Weltraumwissenschaft und Planetenerkundung steht die Tür für große Fortschritte offen. Wir stellen Tools zum Umgang mit Planetendaten der Mission Chang'E-4 vor und präsentieren ein Framework für die Neural Style Transfer unter Verwendung von Cycle-Consistency aus gerenderten Bildern. Wir führen auch eine neue Echtzeit-Pipeline für Simultaneous Localization and Mapping (SLAM) und Visual Inertial Odometry (VIO) im Zusammenhang mit planetaren Rovern ein. Wir nutzen vorherige Informationen über den Standort des Landers, um einen SLAM-Ansatz auf Objektebene vorzuschlagen, der die Pose und Form des Landers zusammen mit den Kameratrajektorien des Rovers optimiert. Als weiteren Verfeinerungsschritt schlagen wir vor, Interpolationstechniken zwischen benachbarten zeitlichen Abtastwerten zu verwenden; videlicet synthetisiert nicht vorhandene Bilder, um die Gesamtgenauigkeit des Systems zu verbessern. Die Experimente werden im Zusammenhang mit dem Iris Lunar Rover durchgeführt, einem Nano-Rover, der 2021 als Flaggschiff von Carnegie Mellon im Mondgebiet eingesetzt werden soll und der erste unbemannte Rover Amerikas auf dem Mond sein wird.