تهدف التحويلات الهيبرسبيكترالية المُشَدَّدة (Hyperspectral pansharpening) إلى تصنيع صورة هيبرسبيكترالية ذات دقة منخفضة (LR-HSI) مُسَجَّلة مع صورة بانكروماتية (PAN) لتكوين صورة هيبرسبيكترالية محسّنة تمتلك دقة عالية في الطيف والمساحة. وقد حققت الطرق الحديثة لتحويل الصور الهيبرسبيكترالية نتائج ملحوظة باستخدام الشبكات التلافيفية العميقة (ConvNets)، والتي تتكون عادةً من ثلاث خطوات: (1) تكبير حجم الصورة الهيبرسبيكترالية ذات الدقة المنخفضة، (2) تنبؤ الصورة المتبقية (residual image) باستخدام شبكة تلافيفية عميقة، و(3) الحصول على الصورة الهيبرسبيكترالية النهائية من خلال جمع الناتجين من الخطوتين الأولى والثانية. وقد استُخدم مؤخرًا مفهوم "الاستباق الصوري العميق" (Deep Image Prior - DIP) لتكبير الصورة الهيبرسبيكترالية ذات الدقة المنخفضة بفضل قدرته الممتازة على الحفاظ على المعلومات المكانية والطيفية دون الحاجة إلى تدريب على مجموعات بيانات ضخمة. ومع ذلك، لاحظنا أنه يمكن تحسين جودة الصور الهيبرسبيكترالية المُكَبَّرة عن طريق إدخال قيد مكاني إضافي إلى الدالة الطيفية التقليدية. ونعرّف هذا القيد المكاني على أنه المسافة $L_1$L1​ بين الصورة البانكروماتية المُتوقعة والصورة البانكروماتية الفعلية. ولتقدير الصورة البانكروماتية للصورة الهيبرسبيكترالية المُكَبَّرة، نقترح أيضًا دالة استجابة طيفية قابلة للتعلم (SRF). بالإضافة إلى ذلك، لاحظنا أن الصورة المتبقية بين الصورة الهيبرسبيكترالية المُكَبَّرة والصورة المرجعية تتكون في الغالب من معلومات الحواف والهياكل الدقيقة جدًا. ولتقدير هذه المعلومات الدقيقة بدقة، نقترح شبكة جديدة غير مكتملة (over-complete)، تُسمى "HyperKite"، والتي تركز على تعلّم السمات العليا من خلال تقييد اتساع مجال الاستقبال (receptive field) في الطبقات العميقة. أجرينا تجارب على ثلاث مجموعات بيانات صور هيبرسبيكترالية لتوضيح تفوق طريقة DIP-HyperKite مقارنةً بأفضل الطرق الحالية في تحويل الصور. سيتم إتاحة رموز التنفيذ، النماذج المُدرَّبة مسبقًا، والنتائج النهائية للصورة المُدمجة الناتجة عن DIP-HyperKite والطرق المستخدمة في المقارنات بشكل علني عبر الرابط: https://github.com/wgcban/DIP-HyperKite.git.