1.一种基于文本条件扩散模型的语义图像编辑方法，其特征在于：语义图像编辑方法包括以下步骤：步骤1、生成查询文本嵌入向量Q嵌入和参考文本嵌入向量R嵌入作为编辑引导条件，用于指导遮罩生成；

步骤2、利用步骤1中的生成查询文本嵌入向量Q嵌入和参考文本嵌入向量R嵌入，生成编辑区域的语义遮罩M；

步骤3、对编辑区域进行精准编辑：使用步骤2生成的语义遮罩M进行去噪生成第一代潜在特征图FN‑1；

步骤4、重复步骤3的操作，迭代N次，即迭代至时间步长N处，得到N代潜在特征图，N代潜在特征图再通过解码器解码得到一代目标图像；

步骤5、用户对步骤4获得的目标图像进行二次精确编辑：生成二代查询文本嵌入向量Q2嵌入和二代参考文本嵌入向量R2嵌入，指导生成二代语义遮罩M2，进而去噪生成第二代潜在特征图FN‑2，迭代N次，再通过解码器得到二代目标图像，具体包括以下步骤：步骤5.1、用户根据需求输入二代查询文本Q2，针对一代目标图像进一步修改的区域，同时一代目标图像通过视觉语言模型BLIP‑2获得对应的二代参考文本R2，二代查询文本Q2和二代参考文本R2进入ChatGPT模型，得到二代查询文本嵌入向量Q2嵌入和二代参考文本嵌入向量R2嵌入，帮助一代目标图像完善局部细节；

步骤5.2、一代目标图像通过编码器转换成一代目标图像潜在特征图F潜在2，计算机生成随机高斯噪声，并与步骤5.1中得到的二代查询文本嵌入向量Q2嵌入和二代参考文本嵌入向量R2嵌入分别通过U‑net预训练模型进行噪声预测，并将预测出的噪声和一代目标图像潜在特征图F潜在2，进行叠加，得到二代查询文本潜在特征图F潜在Q2和二代参考文本潜在特征图F潜在R2.，计算二代查询文本潜在特征图F潜在Q2与二代参考文本潜在特征图F潜在R2.的差值，重复计算二代查询文本潜在特征图F潜在Q2与二代参考文本潜在特征图F潜在R2.的差值20次，求平均值得出二代初始的遮罩，对二代初始遮罩进行归一化，二值化处理，最终得到二代语义遮罩M2；

步骤5.3、一代目标图像通过编码器转换成一代目标图像潜在特征图F潜在2，所述一代目标图像潜在特征图F潜在2经过前向加噪过程生成二代加噪潜在特征图FN2，U‑net预训练模型利用所述二代加噪潜在特征图FN2、所述二代参考文本嵌入向量R2嵌入进行噪声预测，二代加噪潜在特征图FN2减去预测出的噪声得出二代参考文本去噪潜在特征图Fr1’，同时U‑net预训练模型利用二代加噪潜在特征图FN2、二代查询文本嵌入向量Q2嵌入进行噪声预测，二代加噪潜在特征图FN2减去预测出的噪声得出二代查询文本去噪潜在特征图Fq2，使用步骤5.2生成的二代语义遮罩M2进行去噪，将二代语义遮罩M2进行张量转换进入潜在空间，与所述二代参考文本去噪潜在特征图Fr1’和二代查询文本去噪潜在特征图Fq2生成第二代潜在特征图FN‑2；

步骤5.4、重复步骤5.3的操作，迭代N次，即迭代至时间步长N处，得到N代潜在特征图，N代潜在特征图再通过解码器解码得到二代目标图像；

步骤5.5、如果用户需要继续修改图像的局部细节，则重复步骤5.1至步骤5.4，得到最终目标图像。

2.根据权利要求1所述一种基于文本条件扩散模型的语义图像编辑方法，其特征在于：

所述步骤1生成查询文本嵌入向量Q嵌入和参考文本嵌入向量R嵌入作为编辑引导条件，具体包括以下步骤：步骤1.1、用户输入原始图像和用户文字指令，原始图像通过固定图像编码器和大型语言模型引导的视觉语言模型BLIP‑2获得对原始图像的描述即原始参考文本；

步骤1.2、步骤1.1获得的原始参考文本进入ChatGPT模型，ChatGPT模型通过学习任务对用户文字指令进行修改并提供细节，获得的最终查询文本和参考文本，通过文本嵌入转换为可被计算机所识别的向量，得到查询文本嵌入向量Q嵌入和参考文本嵌入向量R嵌入。

3.根据权利要求1所述一种基于文本条件扩散模型的语义图像编辑方法，其特征在于：

所述步骤2生成局部编辑区域的语义遮罩M具体包括以下步骤：

步骤2.1、原始图像通过编码器转换成原始图像潜在特征图F潜在；

步骤2.2、计算机生成随机高斯噪声；

步骤2.3、U‑net预训练模型利用步骤2.1的原始图像潜在特征图F潜在、步骤1中得到的查询文本嵌入向量Q嵌入及步骤2.2的随机高斯噪声进行噪声预测，并将预测出的噪声和原始图像潜在特征图F潜在进行叠加，得到查询文本潜在特征图F潜在Q，同时U‑net预训练模型利用步骤2.1的原始图像潜在特征图F潜在、步骤1中得到的参考文本嵌入向量R嵌入及步骤2.2的随机高斯噪声进行噪声预测，并将预测出的噪声和原始图像潜在特征图F潜在进行叠加，得到参考文本潜在特征图F潜在R；

步骤2.4、计算查询文本潜在特征图F潜在Q与参考文本潜在特征图F潜在R的差值；

步骤2.5、重复步骤2.1‑步骤2.4的差分过程20次，求平均值得出初始的遮罩，对初始的遮罩进行归一化，二值化处理，最终得到语义遮罩M。

4.根据权利要求1所述一种基于文本条件扩散模型的语义图像编辑方法，其特征在于：

所述步骤3具体包括如下步骤：

步骤3.1、原始图像通过编码器转换成原始图像潜在特征图F潜在，所述原始图像潜在特征图F潜在经过前向加噪过程生成加噪潜在特征图FN；

步骤3.2、U‑net预训练模型利用所述加噪潜在特征图FN、所述参考文本嵌入向量R嵌入进行噪声预测，加噪潜在特征图FN减去预测出的噪声得出参考文本去噪潜在特征图Fr1，同时U‑net预训练模型利用加噪潜在特征图FN、查询文本嵌入向量Q嵌入进行噪声预测，加噪潜在特征图FN减去预测出的噪声得出查询文本去噪潜在特征图Fq1；

步骤3.3、使用步骤1生成的语义遮罩M进行去噪：将语义遮罩M进行张量转换进入潜在空间，与所述参考文本去噪潜在特征图Fr1和查询文本去噪潜在特征图Fq1生成第一代潜在特征图FN‑1，公式为：FG＝FqT×M+FrT×(1‑M)

其中，T的值为1到N‑1，G的值为N‑1到1。