في أنظمة التصوير الطيفي الفائق المدمج بالفتحة المشفَّرة للقطعة الزمنية (CASSI)، تُستخدم طرق استرجاع الصور الطيفية الفائقة (HSI) لإعادة بناء الإشارة المكانية-الطيفية من قياس مدمج. من بين هذه الخوارزميات، تُظهر طرق التفكيك العميق أداءً واعدًا، لكنها تعاني من مشكلتين رئيسيتين. أولاً، لا تُقدّر أنماط التدهور ودرجة عدم التحديد (ill-posedness) الناتجة عن العلاقة العالية بين نظام CASSI، مما يعيق التعلم التكراري. ثانيًا، تعتمد بشكل رئيسي على الشبكات العصبية التلافيفية (CNN)، مما يُظهر قيودًا في التقاط الاعتماديات طويلة المدى. في هذا البحث، نقترح إطارًا منهجيًا يُعرف بـ "الإطار المُدرك للتشوهات في التفكيك" (DAUF)، الذي يُقدّر المعاملات من الصورة المدمجة والقناع الفيزيائي، ثم يستخدم هذه المعاملات لضبط كل تكرار. علاوة على ذلك، نُصمم مُحولًا جديدًا يُسمى "نصف-الإعادة المُتكررة" (HST)، الذي يُجسّد المحتوى المحلي والاعتماديات غير المحلية في آنٍ واحد. من خلال دمج HST في إطار DAUF، نُنشئ أول طريقة قائمة على المحول (Transformer) في التفكيك العميق، تُسمى "المحول النصف-المُعاد ترتيبه المُدرك للتشوهات في التفكيك" (DAUHST)، لاسترجاع الصور الطيفية الفائقة. تُظهر التجارب أن DAUHST تتفوّق بشكل كبير على أحدث الطرق المُتاحة، مع تقليل تكاليف الحوسبة والذاكرة بشكل ملحوظ. سيتم إصدار الشفرة والنماذج على الرابط: https://github.com/caiyuanhao1998/MST