Nhiều nghiên cứu gần đây đã tập trung vào việc kết hợp giữa ngôn ngữ và hình ảnh, một lĩnh vực được gọi là L2R-VTC (Language to Visual Through the Lens of Users). Cette approche combine le traitement du langage naturel avec l'analyse de données visuelles, trong khi vẫn giữ nguyên sự tham gia của người dùng. L2R-VTC có mục tiêu chính là tạo ra một hệ thống có thể giải thích và trả lời các câu hỏi liên quan đến hình ảnh một cách tự nhiên. Điều này rất trong nhiều lĩnh vực như du lịch, thương mại điện tử và giáo dục. Trong phần tiếp theo, chúng ta sẽ về kiến trúc của các được sử dụng trong L2R-VTC, bao gồm cả CNN (Convolutional Neural Networks) và Transformers. Chúng ta cũng sẽ xem xét cách thu thập và xử lý dữ liệu, đảm bảo rằng sự tham gia của người dùng được xem xét một cách đầy đủ. Cuối cùng, nghiên cứu này sẽ đề cập đến các ứng dụng thực tế của L2R-VTC, như tạo ra mô tả hình ảnh tự nhiên, hỗ trợ trong việc trả lời câu hỏi và cải thiện trải nghiệm người dùng trong các ứng dụng di động.