这是根据上一个模型进行调整的版本，根据测试多个语言模型最终选择
JoyCaption2Split 语言模型，再图片进入潜空间之前，我先就行了缩放这一步很关键，因为有些图片像素不够时会丢失很多细节，而缩小后在放大
可以补全像素这几步很关键)可以不改变原图大小的情况下大幅度提高画面质量。人像方面的人脸变化还是
比较难控制，可以降低重回幅度0.2左右。