场景生成与交互方法、装置、电子设备、介质和程序产品

本公开实施例公开了一种场景生成与交互方法、装置、电子设备、介质和程序产品，利用单幅图像（提示图像）生成三维场景（第一三维场景图像），并通过调用预先训练好的多模态特征提取模型从提示图像中提取多模态二维特征图（多模态的语义特征），并通过蒸馏与融合算法将多模态二维特征图与三维场景（第一三维场景图像）融合为多模态特征场，最终渲染得到包括多模态二维特征场的目标场景，用户可以通过用户操作指令对所目标场景进行交互操作。如此，实现了在单图像交互式目标场景生成中，实时嵌入多模态的语义特征并保持高质量渲染，基于多模态的语义特征，可以完成用户操作指令解析、任务拆解等，以实现对目标场景的复杂场景查询与可组合编辑。