图文检索方法、装置、设备、存储介质及程序产品

本发明提供一种图文检索方法、装置、设备、存储介质及程序产品，应用于计算机视觉技术领域。该方法包括：获取图像描述文本，并基于所述图像描述文本确定候选图像集合；将所述候选图像集合中的候选图像划分为多个类簇，并确定每个类簇的代表图像；根据所述代表图像生成N个场景问题，并通过与用户交互问答的形式确定所述N个场景问题的场景答案；基于所述场景问题、所述场景答案以及所述图像描述文本生成场景图；基于所述场景图、所述场景问题、所述场景答案以及所述图像描述文本进行相似度检索，得到目标图像；其中，N为大于0的整数。