نقدم معمارية جديدة لتعلم التمثيل المركزي للأشياء دون إشراف وكشف وتقسيم الأشياء المتعددة، والتي تستخدم آلية انتباه متكافئة في الترجمة لتوقع إحداثيات الأشياء الموجودة في المشهد وربط متجه خصائص لكل شيء. يقوم مُشفر المحول (Transformer Encoder) بمعالجة الإخفاءات والكشف الزائد، بينما يُعنى مُشفر التحويل التوافقي (Convolutional Autoencoder) بإعادة بناء الخلفية. نوضح أن هذه المعمارية تتفوق بشكل كبير على أحدث التقنيات في مقاييس المعايير الصناعية المعقدة (complex synthetic benchmarks).