معظم طرق التكميل المستندة إلى شبكات التلافيف (CNN) تستخدم التلافيف القياسية لمعالجة البكسلات الصالحة والثقوب بشكل غير متمايز، مما يجعلها محدودة في التعامل مع الثقوب الغير منتظمة وأكثر عرضة لإنتاج نتائج تكميل بها اختلاف في الألوان وضبابية. تم اقتراح التلافيف الجزئية لحل هذه المشكلة، لكنها تعتمد على إعادة تطبيع الميزات التي يتم تصميمها يدويًا، وتقتصر على تحديث القناع في الاتجاه الأمامي فقط. في هذا البحث، نقدم وحدة خريطة انتباه قابلة للتعلم لاستخدامها في إعادة تطبيع الميزات وتحديث القناع بطريقة شاملة ومتكاملة، وهي فعالة في التكيف مع الثقوب الغير منتظمة وإنتشار طبقات التلافيف. بالإضافة إلى ذلك، تم تقديم خرائط انتباه عكسية قابلة للتعلم لتمكين مفكك U-Net من التركيز على ملء الثقوب الغير منتظمة بدلاً من إعادة بناء الثقوب والمناطق المعروفة معًا، مما أدى إلى خرائط انتباه ثنائية الاتجاه قابلة للتعلم لدينا. تظهر التجارب النوعية والكمية أن طريقتنا تؤدي بشكل أفضل مقابل أحدث الأساليب في إنتاج نتائج تكميل أكثر حدة وترابطًا ومعقولية بصرية. سيتم توفير الكود المصدر والنموذج المدرب مسبقًا.