Image Captioning は、画像を入力として受け取り、その内容を自然言語で説明する文章（キャプション）を生成するタスクです。 Text-To-Imageと対になるようなタスクです。

画像内の物体や状況、関係性などを視覚的に理解し、それを言語として表現できるマルチモーダルモデルが用いられます。学習には大規模な画像と言語の対応データが使われ、適切なファインチューニングにより、対象物の強調や文体の調整といった多様な要望にも対応できます。Image Captioning は、視覚障害者支援や画像検索、教育資料の自動生成など、多くの分野で活用されているマルチモーダルAIの代表的な応用例です。