Trendgetriebene Einzelhandelsbranchen wie die Modebranche führen jede Saison erhebliche Mengen neuer Produkte ein. In einem solchen Szenario ist eine präzise Nachfrageprognose für diese neu eingeführten Produkte entscheidend für eine effiziente Planung der nachgelagerten Supply Chain, beispielsweise im Bereich der Sortimentsplanung und der Lagerplatzierung. Während klassische Zeitreihenprognosealgorithmen für bestehende Produkte zur Absatzprognose eingesetzt werden können, fehlen neuen Produkten jegliche historischen Zeitreihendaten, auf die eine Prognose basieren könnte. In diesem Paper stellen wir mehrere neuartige, auf Aufmerksamkeit basierende, multimodale Encoder-Decoder-Modelle vor und evaluieren sie empirisch, um den Absatz neuer Produkte ausschließlich anhand von Produktbildern, verfügbaren Produktmerkmalen sowie externer Faktoren wie Feiertage, Ereignisse, Wetterbedingungen und Rabatte vorherzusagen. Wir validieren unsere Ansätze experimentell an einem großen Mode-Datensatz und berichten über eine signifikante Steigerung der Prognosegenauigkeit sowie eine verbesserte Modellinterpretierbarkeit im Vergleich zu bestehenden basierend auf k-nächsten-Nachbarn (k-NN) basierten Ansätzen.