في الآونة الأخيرة، أصبحت التقنيات المستندة إلى المتحولات (transformers) التي تدمج النقاط الفائقة (superpoints) شائعة في تقسيم النماذج ثلاثية الأبعاد. ومع ذلك، غالباً ما تواجه هذه التقنيات مشكلة التجزئة الزائدة، وهي مشكلة تظهر بشكل خاص مع الأجسام الكبيرة. بالإضافة إلى ذلك، فإن التوقعات غير الموثوقة للقناع الناتجة عن توقع قناع النقاط الفائقة تزيد من تعقيد هذه المشكلة. لحل هذه التحديات، نقترح إطارًا جديدًا يُسمى MSTA3D. يستفيد هذا الإطار من تمثيل الخصائص متعددة القياسات ويقدم آلية انتباه مزدوجة لالتقاطها بكفاءة. علاوة على ذلك، يدمج MSTA3D استعلام الصندوق مع مُنظم الصندوق (box regularizer)، مما يقدم قيدًا فضائيًا مكملًا بجانب الاستعلامات الدلالية. أثبتت التقييمات التجريبية على مجموعات البيانات ScanNetV2 وScanNet200 وS3DIS أن نهجنا يتفوق على أفضل طرق تقسيم النماذج ثلاثية الأبعاد الحالية.