التطابق الاستريو هو حجر الزاوية الأساسي لعديد من تطبيقات الرؤية والروبوتات. تمثيل كلفة معلوماتي وموجز ضروري لتحقيق التطابق الاستريو بدقة وكفاءة عالية. في هذا البحث، نقدم طريقة جديدة لبناء حجم الكلفة تولد أوزان الانتباه من أدلة الارتباط لقمع المعلومات الزائدة وتعزيز المعلومات ذات الصلة بالتطابق في حجم التجميع. لإنتاج أوزان انتباه موثوقة، نقترح تقنية التطابق متعددة المستويات والمتكيفة مع القطع لتحسين تميز كلفة التطابق عند الاختلافات المختلفة حتى في المناطق الخالية من النسيج. يُطلق على الحجم المقترح اسم حجم التجميع بالانتباه (ACV)، والذي يمكن دمجه بسلاسة في معظم شبكات التطابق الاستريو، حيث يمكن للشبكات الناتجة استخدام شبكة تجميع أخف وزناً وفي الوقت نفسه تحقيق دقة أعلى، مثل استخدام فقط 1/25 من معلمات شبكة التجميع لتحقيق دقة أعلى لـ GwcNet. بالإضافة إلى ذلك، صممنا شبكة ذات دقة عالية جداً (ACVNet) استنادًا إلى ACV الخاصة بنا، والتي تحقق أفضل الأداء في عدة مقاييس مرجعية.