图像处理方法、装置、电子设备及存储介质

本公开提供了一种图像处理方法、装置、电子设备及存储介质，涉及人工智能技术领域，具体涉及计算机视觉、深度学习、大模型等技术领域。方案为：获取与图像处理任务适配的输入内容；其中，输入内容包括第一文本词元序列、第一图像词元序列以及图文融合序列中的至少一种；对输入内容进行跨模态语义建模，以得到包含多模态语义信息的联合特征表示；其中，多模态语义信息用于指示输入内容在不同模态之间的语义关联关系；基于联合特征表示，生成与图像处理任务适配的输出内容。