本文提出了一种通过引入动态稀疏注意力机制的 Transformer 模型，对样本指导图像生成进行 fine-level 匹配的方法。该方法在有监督和无监督场景下均可生成视觉上令人满意的图像，并在人物姿势生成、人脸细节合成和图像样式迁移等应用上表现出了显著的优越性。