本文提出了一种基于Transformer的图像风格迁移方法，即StyTr2，将输入图像的长期依赖关系引入到风格化中。与用于其它视觉任务的Transformer不同，本文设计的StyTr2包含两个不同的Transformer编码器，分别为内容和风格图片生成具有不同域特征的序列。在编码器之后，采用多层Transformer解码器，根据风格序列对内容序列进行风格化。此外，本文分析了现有位置编码方法的不足，提出了内容感知的位置编码，该方法具有尺度不变特性，更适合于图像风格化任务。与基于CNN和基于流的最新方法相比，定性和定量实验均证明了StyTr2的有效性。

网络结构

风格化结果比较