Image Captioning

هو عملية توليد وصف نصي دقيق ومترابط لغوياً يعبر عن محتوى صورة رقمية بشكل آلي. تعتمد هذه التقنية على معمارية "المشفر والمفكك" (Encoder-Decoder)؛ حيث يقوم المشفر (غالباً شبكة CNN أو Vision Transformer) باستخراج الميزات البصرية وتحويلها إلى متجهات رياضية، بينما يقوم المفكك (غالباً شبكة RNN أو Transformer) بتحويل هذه المتجهات إلى جملة مفيدة. لا تقتصر المهمة على التعرف على الأشياء فحسب، بل تمتد لفهم العلاقات المكانية والمنطقية بين العناصر داخل المشهد (مثل: "قطة تجلس فوق طاولة خشبية").