文本驱动的视觉内容生成模型的训练方法及装置

本申请实施例公开了一种文本驱动的视觉内容生成模型的训练方法及装置。主要技术方案包括：获取包括多个训练样本的训练数据；利用训练数据训练扩散模型，得到视觉内容生成模型；其中训练包括：对视觉内容样本添加T个时间步的噪声，得到第一噪声视觉内容；将第一噪声视觉内容输入扩散模型，获取扩散模型将文本样本作为条件时针对T个时间步分别预测的第一噪声，以及获取扩散模型在无条件时针对T个时间步分别预测的第二噪声；利用第一损失和第二损失得到损失函数的取值，利用损失函数的取值更新扩散模型的模型参数。本申请能够针对文本描述对象的组合场景，提升视觉内容生成模型的视觉内容与用户输入的文本之间的匹配度。