一种多场景全域图像一致性报告生成方法及框架结构

本发明公开了一种多场景全域图像一致性报告生成方法及框架结构，所述框架结构包括视觉特征编码模块、文本语义编码模块、多场景视觉‑文本对齐模块、多场景主题感知模块、报告生成模型管道，本发明利用视觉特征编码模块、文本语义编码模块分别提取图像特征和文本特征，经多场景视觉‑文本对齐模块将多尺度文本特征与其对应的多尺度图像特征的对齐，再经多场景主题感知模块提高了多场景图像和文本的描述对应性，最后由报告生成模型管道生成一致性报告，解决了多场景图像与报告文本的对应场景描述准确性低、连贯性差，以及生成报告不准确的问题。