场景文本合成方法及装置

本申请实施例了提供一种场景文本合成方法，该场景文本合成方法包括：获取场景图像、掩码区域图像和目标文本图像，掩码区域图像用于指明在场景图像中合成文本的掩码区域，目标文本图像包括不同颜色的背景和目标文本；基于场景图像和目标文本图像进行拼接，得到第一拼接图像；基于掩码区域图像对第一拼接图像进行掩码处理，得到处理后的第一拼接图像；基于目标文本生成提示文本，提示文本用于说明目标文本在场景图像中的合成信息；基于处理后的第一拼接图像和提示文本利用基于Transformer的扩散模型合成场景文本图像，扩散模型基于多模态注意力机制对输入进行处理，以合成场景文本图像。本申请实施例的技术方案可以降低模型复杂度，应用于多种语言中。