أظهر التعلم المُشَبَّه ذاتيًا القائم على المقارنة إمكانات كبيرة في تعلم التمثيلات البصرية. وعلى الرغم من نجاحه في مهام متعددة في المُستقبل مثل تصنيف الصور وتحديد الكائنات، إلا أن التدريب المسبق المُشَبَّه ذاتيًا للسياقات الدقيقة لم يُستكشف بشكل كامل. نشير إلى أن الطرق المقارنة الحالية عرضة لحفظ نسيج الخلفية/الخلفية الأمامية، مما يُحد من قدرتها على تحديد موقع الكائن الأمامي. وتشير التحليلات إلى أن تعلُّم استخلاص معلومات نسيج تمييزية وتحديد المواقع يُعدان متساويين في الأهمية لتدريب مسبق مُشَبَّه ذاتيًا دقيق. استنادًا إلى نتائجنا، نقدّم إطار عمل يُسمى "مُحاذاة الانتباه عبر الرؤى" (CVSA)، وهو إطار تعلم مقارن يُولّد رؤى جديدة عن طريق قص وتبادل مناطق الانتباه في الصور، ثم يُوجّه النموذج لتحديد موقع الكائن الأمامي من خلال خسارة محاذاة عبر الرؤى. أظهرت تجارب واسعة النطاق على معايير تصنيف دقيقة صغيرة وكبيرة الحجم تحسنًا ملحوظًا في التمثيلات المُتعلّمة باستخدام CVSA.