Como un tipo especial de transformador, los transformadores de visión (ViTs) se pueden utilizar para diversas aplicaciones de visión por computadora (CV). Las redes neuronales convolucionales (CNNs) tienen varios problemas potenciales que pueden resolverse con ViTs. Para tareas de codificación de imágenes como compresión, superresolución, segmentación y eliminación de ruido, se utilizan diferentes variantes de ViTs. En nuestra encuesta, determinamos las muchas aplicaciones de CV a las que son aplicables los ViTs. Las aplicaciones de CV revisadas incluyeron clasificación de imágenes, detección de objetos, segmentación de imágenes, compresión de imágenes, superresolución de imágenes, eliminación de ruido de imágenes, detección de anomalías e imágenes de drones. Revisamos el estado del arte y compilamos una lista de modelos disponibles y discutimos los pros y los contras de cada modelo.