Nous proposons une approche basée sur l'attention pour le couplage de patches d'images multimodaux en utilisant un encodeur Transformer qui porte attention aux cartes de caractéristiques d'un CNN Siamese multi-échelle. Notre encodeur est capable d'agréger efficacement des plongements d'images multi-échelle tout en mettant l'accent sur les indices visuels invariants par rapport à la tâche. Nous introduisons également une architecture résiduelle avec attention, utilisant une connexion résiduelle contournant l'encodeur. Ce signal d'apprentissage supplémentaire facilite l'entraînement de bout en bout à partir de zéro. Nos expériences montrent que notre approche atteint une précision record dans les états de l'art, tant pour les benchmarks multimodaux que mono-modaux, illustrant ainsi sa polyvalence. À notre connaissance, il s'agit de la première mise en œuvre réussie de l'architecture d'encodeur Transformer pour la tâche de couplage de patches d'images multimodaux.