Text-To-Image は、自然言語で与えられた指示や説明文をもとに、対応する画像を生成するタスクです。 Image Captioningと対になるようなタスクです。

この技術の学習には、大規模なテキストと画像の対応データが活用され、テキスト情報を視覚的に解釈し、画像として再構成できるマルチモーダルモデルが構築されます。適切にファインチューニングを行うことで、スタイルの制御や構図の調整といった細かな要望にも対応できるようになり、より自然で高品質な画像生成が可能になります。 また、Text-To-Image はマルチモーダルAIの代表的な応用例の一つであり、デザインや広告、教育、ゲームコンテンツ制作など多様な分野に活用されています。