长文本生成图像的模型训练方法、设备及存储介质

本发明提供了一种长文本生成图像的模型训练方法、设备及存储介质，涉及计算机视觉领域。该方法包括获取训练图像并将训练图像输入预设图生文模型进行描述得到长文本；对长文本进行识别分析得到多个对象；对训练图像逐步进行对象移除得到多个逐步减少对象的中间图像和多个目标图像；将目标图像输入到预设图生文模型中，得到与每个对象对应的短文本；根据对象移除顺序将中间图像和短文本进行匹配生成图像数据对；将图像数据对依次输入预设模型进行迭代训练得到目标模型。通过逐步生成单一对象并与文本句子对应的方式实现对长文本生成的精细控制，避免了长文本一次性生成整幅图像所导致的控制不准确问题，保证了图像生成的逐步性和连贯性。