CoralStyle CLIP 是一种结合了 CLIP（Contrastive Language–Image Pretraining）和 CoralStyle 多风格图像生成技术的模型。其核心在于通过多层次特征融合技术，将文本和图像的特征进行高效融合，从而实现跨模态的语义对齐和风格化生成。
1. 多层次特征提取
1.1 图像特征提取
图像特征提取通常使用预训练的卷积神经网络（如 ResNet、ViT）或视觉 Transformer。这些网络能够从不同层次提取图像的特征，包括浅层的细节信息和深层的语义信息。
具体实现
-
输入图像
经过卷积网络后，得到多层次特征：
其中，
表示第
