La reconstrucción de imágenes hiperespectrales (HSI) a partir de una entrada RGB ha llamado mucho la atención recientemente y desempeña un papel crucial en tareas de visión futuras. Sin embargo, los algoritmos actuales de codificación dispersa a menudo toman cada píxel individual como la unidad básica de procesamiento durante el proceso de reconstrucción, lo que ignora la fuerte similitud y relación entre píxeles adyacentes dentro de una imagen o escena, lo que lleva a un aprendizaje inadecuado de las características espectrales y espaciales en el dominio hiperespectral objetivo. En este documento, se propone un novedoso método de codificación dispersa basado en tensores para integrar tanto la información espectral como espacial representada en forma de tensores, lo que es capaz de tener en cuenta todos los píxeles vecinos durante el proceso de superresolución espectral (SSR) sin romper las estructuras semánticas, mejorando así la precisión de los resultados finales. Específicamente, el método propuesto recupera las señales HSI desconocidas utilizando codificación dispersa en pares de diccionarios aprendidos. En primer lugar, la información espacial de los píxeles se utiliza para restringir el proceso de reconstrucción dispersa, lo que mejora de manera efectiva la precisión de la reconstrucción espectral de los píxeles. Además, el aprendizaje de diccionarios bidimensionales tradicional se extiende aún más al dominio tensorial, mediante el cual la estructura de las entradas puede procesarse de una manera más flexible, mejorando así las relaciones contextuales espaciales. Con este fin, una estimación HSI rudimentaria adquirida en la etapa de reconstrucción dispersa se mejora aún más mediante la introducción del método de regresión, con el objetivo de eliminar en cierta medida la distorsión espectral. Se realizan abundantes experimentos en dos conjuntos de datos públicos, lo que indica la considerable disponibilidad del marco propuesto.