Optische Bilder sind häufig durch die Anwesenheit von Wolken beeinträchtigt. Um deren Einfluss zu verringern, wurden in den letzten Jahren verschiedene Rekonstruktionsverfahren vorgeschlagen. Eine gängige Alternative besteht darin, Daten aus aktiven Sensoren wie dem Synthetic Aperture Radar (SAR) zu extrahieren, da diese nahezu unabhängig von atmosphärischen Bedingungen und Sonneneinstrahlung sind. Andererseits sind SAR-Bilder schwieriger zu interpretieren als optische Bilder und erfordern spezielle Bearbeitungstechniken. In jüngster Zeit haben bedingte generative adversarische Netzwerke (cGANs) in verschiedenen Aufgaben der Bildgenerierung weite Verbreitung gefunden und zeigen state-of-the-art-Ergebnisse. Eine Anwendung von cGANs besteht darin, eine nichtlineare Abbildungsfunktion zwischen zwei Bildern unterschiedlicher Domänen zu lernen. In dieser Arbeit kombinieren wir die Tatsache, dass SAR-Bilder praktisch nicht von Wolken beeinflusst werden, mit der Fähigkeit von cGANs zur Bildübersetzung, um optische Bilder aus SAR-Bildern zu generieren und somit Bereiche zu rekonstruieren, die durch Wolken verdeckt sind. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene Lösung eine höhere Klassifizierungsgenauigkeit erreicht als eine reine SAR-basierte Klassifikation.