أظهرت الدراسات الحديثة أن نماذج التحويل البصري (ViTs) تُظهر مقاومة قوية ضد أنواع مختلفة من التشوهات. وعلى الرغم من أن هذه الخاصية تُعزى جزئيًا إلى آلية الانتباه الذاتي، إلا أن هناك ما يزال نقصًا في الفهم المنهجي لها. في هذه الورقة، نُجري تحليلًا لدور الانتباه الذاتي في تعلم تمثيلات مقاومة. ويُحفّز هذا البحث على الخصائص المثيرة للاهتمام التي تظهر في التجميع البصري الناشئ داخل نماذج التحويل البصري، والتي تشير إلى أن الانتباه الذاتي قد يعزز المقاومة من خلال تحسين التمثيلات المتوسطة المستوى. ونتيجة لذلك، نقترح عائلة من الشبكات الكاملة القائمة على الانتباه (FANs) التي تعزز هذه القدرة من خلال دمج تصميم معالجة القنوات القائمة على الانتباه. وقد قمنا بتأكيد فعالية هذا التصميم بشكل شامل على عدة هيكل أساسي هرمي. وحققت النموذج أداءً متقدمًا على مستوى الصناعة بـ 87.1% من الدقة و35.8% من متوسط الخطأ المطلق (mCE) على مجموعة بيانات ImageNet-1k وImageNet-C، مع 76.8 مليون معلمة. كما أظهرنا أداءً متقدمًا على مستوى الصناعة من حيث الدقة والمقاومة في مهام تطبيقية لاحقة: التجزئة الدلالية والكشف عن الكائنات. يتوفر الكود على الرابط التالي: https://github.com/NVlabs/FAN.