Wir stellen eine neue Architektur für die unüberwachte objektorientierte Darstellungslernung und die Erkennung und Segmentierung mehrerer Objekte vor. Diese Architektur verwendet einen translationsäquivarianten Aufmerksamkeitsmechanismus, um die Koordinaten der in der Szene vorhandenen Objekte vorherzusagen und jedem Objekt einen Merkmalsvektor zuzuordnen. Ein Transformer-Encoder behandelt Verdeckungen und redundante Erkennungen, während ein konvolutionsbasierter Autoencoder für die Rekonstruktion des Hintergrunds verantwortlich ist. Wir zeigen, dass diese Architektur auf komplexen synthetischen Benchmarks den aktuellen Stand der Technik erheblich übertrifft.