视频帧插值（Video Frame Interpolation, VFI）旨在生成视频序列中的中间帧，近年来随着深度卷积网络的发展取得了显著进展。然而，基于卷积网络的现有方法普遍面临大运动场景下的处理挑战，这主要受限于卷积操作的局部性。为克服这一局限，本文提出一种新颖的框架，利用Transformer机制建模视频帧间长距离像素相关性。此外，我们的网络引入了一种新型的跨尺度窗口注意力机制，使得不同尺度的窗口能够相互交互，有效扩展了感受野，并实现了多尺度信息的融合。大量定量与定性实验结果表明，所提方法在多个基准测试上均取得了当前最优的性能，达到了新的技术水平。