A tárgyalapú figyelem utalhat az olyan helyzetekre, amikor a feldolgozás vagy a teljesítmény nem csupán a tárgy téri pozíciójával van összefüggésben, hanem a tárgy bizonyos sajátságaival is, mint például nagyság, forma, alak, szín stb. Vagyis a tárgyalapúság félrevezető címkézése lehet ezeknek a modelleknek, mivel itt nem konkrétan egyes tárgyak alkotják a figyelem alapvető egységeit. A tárgyalapú reprezentációk olyan folyamatokból származnak, amelyek tárgyalapú referenciakereteket használnak a vizuális jellemzők átalakításához és összegzéséhez. A tárgy mentális reprezentációját egyrészt az alulról jövő (bottom-up) alkotóelemekből kezdjük el felépíteni (pl. a tárgy színe, formája stb.), amely építőelemeket felülről vezérelt (top-down) szervezés (korábbi tapasztalatok, tudás stb.) segítségével fűzzük össze. Ez elég közel áll a Treisman által kidolgozott (Treisman, 1986), később Wolfe által továbbgondolt (Wolfe, 2007) vonásintegrációs elmélethez. Ebben az alkotóelemek egymástól függetlenül, párhuzamosan kerülnek feldolgozásra, és a figyelem lesz az összekötő „ragacs”, amely egységgé (tárggyá) kovácsolja ezeket az egy téri pozícióból beérkező alkotóelemeket. A tárgyalapú modellekben fontos alapmozzanat, hogy minden vonás egyidejűleg kerül feldolgozásra, és egy figyelt tárgy jellemzői gyorsabban és pontosabban kerülnek feldolgozásra, mint más tárgyak jellemzői. A feldolgozás egyidejűsége azt is jelenti, hogy ezek a vonások és sajátságok tulajdonképpen erőfeszítés nélkül, automatikusan feldolgozódnak. Ha mentális erőfeszítést vagy figyelmi kapacitást igényelne a feldolgozásuk, akkor bizonyos helyzetekben elérnénk a limitet (az egy időben maximálisan feldolgozható elemek számát), és attól kezdve nem tudnánk feldolgozni új információt, vagy csak az információk egy részét dolgoznánk fel. Másképp fogalmazva, hasonló helyzet állna elő, amit a figyelem zoomlencse-hasonlatánál leírtunk: a kapacitási limit következtében vagy csak bizonyos jegyeket dolgoznánk fel az egész vizuális mezőben (amit látunk), vagy mindent, de az információmennyiséghez mérten csökkenne a vizuális mező (például csak egy A4-es lap méretű mezőt látnánk, és semmi mást). A kutatások azt mutatják, hogy az ilyen limit és a vonások feldolgozása lényegében automatikus.