多实体图像生成方法、装置、电子设备及存储介质

本申请提供一种多实体图像生成方法、装置、电子设备及存储介质。该方法包括：对文本描述进行编码，得到全局文本描述特征，对实体标签进行编码，得到实体标签文本特征；对参考图像进行视觉特征提取，得到视觉嵌入特征，对目标框位置进行编码，得到目标框特征；将视觉嵌入特征与目标框特征进行拼接，并将拼接后的特征与实体标签文本特征进行交叉注意力计算，生成最终实体嵌入特征，将多个实体的最终实体嵌入特征进行拼接，得到多实体嵌入特征；将全局文本描述特征和多实体嵌入特征输入到扩散模型中处理，输出符合文本描述的目标图像。本申请能够避免多实体概念混淆，有效解耦不同实体的特征，降低计算成本，生成符合文本描述的图像。