图像描述方法、装置、电子设备及存储介质

本申请提供了一种图像描述方法、装置、电子设备及存储介质，涉及图像处理领域。其中，该方法包括：获取目标图像和目标图像中的至少一个目标子图像；目标图像与各目标子图像携带相同的文本提示；文本提示是对目标图像的内容进行提示；对目标图像和各目标子图像进行特征提取和特征融合，得到目标特征；在文本提示的引导下，利用扰动注意力优化机制，对目标特征进行迭代处理，生成多个令牌信息；根据各令牌信息进行文本生成，输出文本描述信息；文本描述信息用于描述目标图像的内容。本申请解决了相关技术中图像描述的准确率不高的问题。