التحويل المستمر قد اكتسب مؤخرًا أهمية كبيرة بسبب قدرته على التعامل مع البيانات المُعدَّة بشكل غير منتظم ونمذجة الارتباطات طويلة الأجل. بالإضافة إلى ذلك، نتائج التجارب الواعدة التي تحققت من استخدام النواة التحويلية الكبيرة قد دفعت بتطوير التحويل المستمر، حيث يمكن بناء هذه النواة بكفاءة عالية. الاستفادة من الشبكات العصبية، وبشكل أكثر تحديدًا الشبكات العصبية متعددة الطبقات (MLPs)، هي حتى الآن أبرز طريقة لتنفيذ التحويل المستمر. ومع ذلك، هناك بعض العيوب مثل الكلفة الحسابية المرتفعة، ضبط الهيبربارامتر المعقد، وقوة الوصف المحدودة للمرشحات. يقترح هذا البحث نهجًا بديلًا لبناء تحويل مستمر دون الحاجة إلى الشبكات العصبية، مما يؤدي إلى كفاءة حسابية أعلى وأداء محسن. نقدم تمثيلات النقاط الذاتية المتحركة حيث تتحرك معلمات الوزن بحرية، ويتم استخدام تقنيات الاستيفاء لتنفيذ الدوال المستمرة. عند تطبيقها لبناء النواة التحويلية، أظهرت نتائج التجارب تحسينات في الأداء مع إمكانية استبدالها مباشرة في الإطارات الموجودة. بفضل هيكلها الخفيف الوزن، نحن أول من يثبت فعالية التحويل المستمر في إعداد كبير الحجم، مثل ImageNet (إيميجدنت)، مما يوضح التحسينات على الأعمال السابقة. رمزنا البرمجي متاح على https://github.com/sangnekim/SMPConv