摘要
本发明属于图像处理技术领域，公开了基于多模态实体对齐的多图像处理方法，包括以下步骤：获取多个图像；从外部知识库中检索实体的丰富语义信息；使用语义信息在多图像场景中为每个实体选择最具代表性的图像；对每个模态的原始输入进行编码；应用交叉扩散注意力在视觉和文本模态之间进行第一层融合，接着通过与结构化模态的第二层交互，最终使用对比损失对齐图像的实体表示；输出融合文本模态和视觉模态的多图像。本申请利用分层交互融合来增强多模态交互；通过整合外部属性值和上下文信息来增强实体文本表示；利用语义文本选择最具代表性的图像，从而最小化不相关图像的影响。
