摘要
一种以交互驱动的多对象内容可控图像生成方法，包括以下步骤：步骤1)：获取图像数据以及其对应对象实例的分割与类别标签；步骤2)：获取每一个对象实例的图像，并进行处理，得到分割后的对象图像；步骤3)，提取每张对象图像的类别、深度、细节特征得到多尺度表征嵌入；步骤4)，使用Transformer结构对象交互逻辑关系提取模块获取不同对象间的交互逻辑关系；步骤5)，使用隐藏张量空间至文本模态空间多模态映射模块构建提示词控制Token，再结合所得对象类别标签构建提示词文本；步骤6)，进行多步加噪与去噪，最终使用变分自编码器还原图像，最终得到对应的内容可控图像。本发明可以进行多对象控制生成且关注多对象间逻辑交互的特点。
