本公开提供了一种图像处理方法、神经网络及其训练方法、设备和介质，涉及人工智能领域，具体涉及计算机视觉技术、图像处理技术和深度学习技术。神经网络包括与多个模态对应的多个分支网络，分支网络包括：输入子网络，被配置为在对应的模态的输入图像中提取第一特征；第一交互子网络被配置为：针对多个模态中的每一个模态确定第一注意力分数；基于多个模态各自的第一注意力分数调整对应的模态的第一注意力分数；基于调整后的对应的模态的第一注意力分数对对应的模态的第一特征进行处理以得到第二特征；输出子网络被配置为基于对应的模态的第二特征得到第一结果。神经网络还包括：综合输出子网络被配置为基于模态的多个第二特征，得到第二结果。