본 논문은 고해상도 팬크로매틱(PAN) 영상과 저해상도 멀티스펙트럴(MS) 영상을 융합하여 고해상도 멀티스펙트럴(HRMS) 영상을 생성하는 팬 샤프닝 문제를 다룹니다. 기존의 딥러닝 기반 팬 샤프닝 방법들은 센서 위치, 획득 시점, 해상도 차이로 인한 모달리티 불일치 문제를 해결하지 못하여 스펙트럼 왜곡, 이중 가장자리 효과, 블러링 등의 문제를 야기합니다. 이를 해결하기 위해 본 논문에서는 모달리티 일관성 있는 정렬 프레임워크인 PAN-Crafter를 제안합니다. PAN-Crafter는 모달리티 적응형 재구축(MARs)을 통해 단일 네트워크가 HRMS와 PAN 영상을 동시에 재구축하고, PAN의 고주파수 정보를 자기 지도 학습에 활용합니다. 또한, 교차 모달리티 정렬 인식 어텐션(CM3A) 메커니즘을 통해 MS의 질감과 PAN의 구조를 상호 정렬하여 모달리티 간 적응적인 특징 개선을 수행합니다. 다양한 벤치마크 데이터셋에 대한 실험 결과, PAN-Crafter는 기존 최고 성능 모델보다 모든 지표에서 우수한 성능을 보이며, 50.11배 빠른 추론 속도와 0.63배의 메모리 사용량을 달성했습니다. 또한, 새로운 위성 데이터셋에 대한 강력한 일반화 성능을 보여 다양한 조건에서의 강건성을 입증합니다.