近年、深層学習は多解像度画像のパンシャープニング分野で中心的な役割を果たすようになっている。地面真理データの不足を踏まえ、多数の深層学習ベースの手法は、低解像度領域での教師あり学習を採用している。しかし、低解像度画像で学習されたモデルは、高解像度のターゲット画像に対しては性能が劣ることが多い。この問題に対処するため、複数の研究グループが、適切な損失関数および学習枠組みの定義を通じて、フル解像度領域における教師なし学習へと移行しつつある。このような背景のもと、われわれはこれまでに、多数の既存アーキテクチャに適用可能なフル解像度学習フレームワークを提案した。本稿では、このアプローチの潜在能力を最大限に引き出し、最先端の性能を実現する新たな深層学習ベースのパンシャープニングモデルを提案する。前向きな研究に比して、残差アテンションモジュールの導入などアーキテクチャ上の改良に加え、本モデルは、パンシャープニング画像のスペクトル品質と空間品質を同時に向上させる新しい損失関数を特徴とする。さらに、新規に導入したファインチューニング戦略により、推論時におけるターゲット画像への適応性が向上している。多様なテスト画像を用いた大規模な実験において、困難なシナリオ下でも、数値評価および視覚的出力の両面で、従来の最先端手法と比較して優れた性能を示した。実装コードは、https://github.com/matciotola/Lambda-PNN にて公開されている。