يُعد الت convolution القياسي محدودًا بشكل جوهري في تقسيم السحابة النقطية من حيث المعنى بسبب اتجاهه المتجانس تجاه السمات. إذ يتجاهل بنية الكائن، مما يؤدي إلى تباين ضعيف في حدود الكائنات وظهور مناطق صغيرة خاطئة في نتيجة التقسيم. يقترح هذا البحث convolutionًا جديدًا يُسمى "convolution الانتباه الرسومي" (GAC)، حيث يمكن تشكيل نوى التحويل بشكل ديناميكي وفقًا لأحجام محددة تتناسب مع بنية الكائن. وبشكل خاص، من خلال تعيين أوزان انتباه مناسبة لنقاط الجوار المختلفة، يتم تصميم GAC لتركيز انتباهه بشكل انتقائي على الجزء الأكثر صلة بينها، وفقًا للسمات التي يتم تعلمها ديناميكيًا. ويُحدد شكل نواة التحويل لاحقًا بناءً على التوزيع المُتعلم لأوزان الانتباه. وعلى الرغم من بساطته، يمكن لـ GAC اكتساب السمات الهيكلية للسحاب النقطية لتقسيم دقيق، ويُقلل من تلوث السمات بين الكائنات المختلفة. من الناحية النظرية، قدمنا تحليلًا شاملاً لقدرات التعبير الخاصة بـ GAC لبيان كيفية تعلّمها لسمات السحاب النقطية. ومن الناحية التجريبية، قمنا بتقييم GAC على مجموعات بيانات صعبة داخلية وخارجية، وحققنا نتائج متقدمة على مستوى الحالة (SOTA) في كلا السيناريوهين.