Intelligence artificielle · Chapitre 15 · Cours 01

Comment une IA génère-t-elle des images ?

Comprendre comment une intelligence artificielle transforme une description textuelle en image : apprentissage, interprétation du texte, génération progressive et contrôle du résultat.

À la fin de ce cours, vous saurez :

  • Expliquer ce qu’est un générateur d’images par IA.
  • Comprendre le rôle des données d’entraînement.
  • Décrire les grandes étapes de la génération d’une image.
  • Expliquer le rôle du prompt dans le résultat obtenu.
  • Distinguer une image générée d’une photographie réelle.
  • Identifier les limites et les contrôles nécessaires.
Prérequis

Aucun prérequis technique. Ce cours présente les mécanismes essentiels sans nécessiter de connaissances en programmation ou en mathématiques avancées.

1. Qu’est-ce qu’un générateur d’images par IA ?

Un générateur d’images par intelligence artificielle est un système capable de produire une nouvelle image à partir d’une instruction, appelée prompt.

Cette instruction peut décrire un sujet, un environnement, un style, un éclairage, un cadrage ou encore une ambiance. Certains systèmes acceptent également une image de référence pour guider le résultat.

Exemple simple

Vous demandez : « Un chat roux assis sur un fauteuil bleu, dans un salon lumineux, style photographie réaliste. »

L’IA produit une image correspondant, avec plus ou moins de fidélité, aux éléments de cette description. Elle ne photographie pas un véritable chat : elle fabrique une représentation visuelle.

Générer n’est pas rechercher

Lorsqu’un moteur de recherche affiche une photographie, il retrouve un fichier déjà disponible.

Lorsqu’une IA générative produit une image, elle calcule un nouveau résultat à partir des régularités apprises pendant son entraînement.

Recherche d’images Génération d’images
Retrouve des images existantes. Produit un nouveau fichier visuel.
Le résultat dépend des fichiers indexés. Le résultat dépend du modèle et des instructions.
L’image possède une source à identifier. L’image est synthétique, mais des questions de provenance et de droits peuvent subsister.
Attention à une idée reçue

Une IA générative ne se contente généralement pas d’assembler des photographies comme un collage. Elle utilise des paramètres appris pour produire des structures visuelles. Cela n’exclut toutefois pas les risques de reproduction de contenus mémorisés ou de ressemblances avec des œuvres existantes.

2. Comment l’IA apprend-elle à produire des images ?

Avant de pouvoir générer des images, un modèle doit être entraîné. L’entraînement consiste à ajuster ses paramètres à partir de très nombreuses données visuelles et, selon les systèmes, de descriptions associées à ces images.

Le rôle des données d’entraînement

Le modèle peut apprendre des associations entre des éléments textuels et visuels :

  • Le mot « chat » et certaines caractéristiques visuelles des chats.
  • Le mot « neige » et des paysages enneigés.
  • La notion de « contre-jour » et certains effets d’éclairage.
  • Le style « aquarelle » et des textures picturales caractéristiques.
  • La perspective et la disposition des objets dans l’espace.

L’apprentissage ne correspond pas à la mémorisation d’une définition unique pour chaque mot. Le modèle ajuste de très nombreux paramètres afin de représenter des régularités statistiques complexes.

Une distinction essentielle : entraînement et génération

L’entraînement permet au modèle d’acquérir ses capacités en ajustant ses paramètres.

La génération utilise ensuite ces paramètres pour produire une image à partir d’une nouvelle demande.

Une demande ordinaire ne réentraîne donc pas automatiquement le modèle. Les conditions éventuelles de réutilisation des données par un fournisseur relèvent d’un mécanisme distinct.

3. Comment le texte devient-il une image ?

Les architectures varient selon les outils. Pour comprendre le fonctionnement général, prenons l’exemple d’un modèle de diffusion, une famille importante de technologies de génération d’images.

1
Le prompt est analysé

Le texte est traité par un composant capable de représenter ses éléments importants : objets, caractéristiques, relations et style.

2
Une représentation numérique est créée

Le système transforme les informations textuelles en représentations numériques que le générateur peut exploiter pour orienter la production.

3
La génération démarre

Dans un modèle de diffusion classique, le processus commence souvent à partir d’un bruit aléatoire, directement dans l’espace des pixels ou dans un espace latent.

4
L’image se construit progressivement

Le modèle effectue plusieurs étapes de calcul pour transformer la représentation initiale en une structure visuelle correspondant au texte.

5
Le résultat est produit

Si le modèle travaille dans un espace latent, un décodeur transforme la représentation finale en pixels. L’image peut ensuite être affichée, enregistrée ou éventuellement retouchée.

Qu’est-ce qu’un espace latent ?

C’est une représentation numérique interne, généralement plus compacte que l’image finale, dans laquelle le modèle peut effectuer certains calculs de génération.

Cette représentation n’est pas une photographie directement visible. Un décodeur permet de la convertir en image exploitable.

Pourquoi parle-t-on de diffusion ?

Pendant l’entraînement d’un modèle de diffusion, on apprend à inverser un processus de dégradation par ajout de bruit.

Lors de la génération, le modèle exploite cet apprentissage pour passer progressivement d’une représentation bruitée à une image structurée.

Le cours suivant approfondira ce mécanisme et présentera d’autres technologies de génération.

4. Pourquoi deux images peuvent-elles être différentes ?

Une même description ne produit pas nécessairement toujours la même image.

La génération comporte souvent une composante aléatoire, notamment dans la représentation initiale et certains choix de calcul.

Exemple

Prompt : « Une maison en bois au bord d’un lac, au lever du soleil. »

Première génération : la maison est à gauche, le lac occupe le premier plan.

Deuxième génération : la maison est au centre, des montagnes apparaissent à l’arrière-plan.

Les deux images peuvent respecter la demande, tout en présentant des compositions différentes.

Le rôle de la graine aléatoire

Certains générateurs permettent de définir une graine aléatoire, souvent appelée seed.

Cette valeur sert à initialiser la partie aléatoire de la génération. À modèle, paramètres et environnement identiques, conserver la même graine peut permettre de reproduire un résultat identique ou très proche, selon le fonctionnement de l’outil.

Une graine identique ne garantit pas la même image si le modèle, les réglages ou l’environnement de calcul changent.

5. Quel est le rôle du prompt ?

Le prompt est l’instruction fournie au générateur. Il influence la composition, le sujet, l’environnement et les caractéristiques visuelles recherchées.

Un prompt peut être simple, mais une demande structurée réduit généralement les ambiguïtés.

Les éléments utiles d’un prompt visuel

Le sujet

Que doit représenter l’image ? Une personne, un animal, un objet, un paysage ou une scène.

L’environnement

Où se déroule la scène ? Dans une cuisine, une forêt, un bureau ou une rue.

Le style

Photographie réaliste, illustration, aquarelle, dessin technique ou rendu 3D.

Le cadrage

Gros plan, plan large, vue de dessus, portrait ou composition centrée.

La lumière

Lumière naturelle, éclairage doux, ambiance nocturne ou contre-jour.

Les contraintes

Proportions, couleurs dominantes, éléments à exclure ou espace réservé pour un titre.

Comparer deux formulations

Prompt vague :

Une tasse de café.

Prompt structuré :

Photographie réaliste d’une tasse de café en céramique blanche posée sur une table en bois clair, dans une cuisine lumineuse. Vue de trois quarts, lumière naturelle venant de la gauche, arrière-plan légèrement flou, ambiance chaleureuse, sans texte ni logo, format carré.

Le second prompt précise davantage les caractéristiques recherchées. Il augmente les chances d’obtenir un résultat adapté, sans garantir le respect parfait de chaque instruction.

Un prompt long n’est pas toujours meilleur

Des consignes contradictoires, répétitives ou excessivement détaillées peuvent compliquer la génération. Il faut privilégier les caractéristiques importantes et vérifier leur présence dans l’image finale.

6. Comment le générateur représente-t-il une image ?

Une image numérique affichée sur un écran est constituée de pixels. Chaque pixel possède des valeurs numériques représentant notamment ses couleurs.

Dans une image RGB classique, les couleurs sont décrites à l’aide de trois composantes : rouge, vert et bleu.

Notion Définition Exemple
Pixel Plus petite unité d’une image matricielle. Un point coloré de l’image.
Résolution en pixels Dimensions de l’image en largeur et hauteur. 1024 × 1024 pixels.
RGB Représentation d’une couleur par trois composantes. Rouge, vert et bleu.
Format de fichier Mode d’enregistrement de l’image. PNG, JPEG ou WebP.

Certains modèles calculent directement dans l’espace des pixels. D’autres travaillent dans un espace latent avant de convertir le résultat en image.

Les différences entre résolution, proportions et formats seront étudiées dans le cours 04.

7. Exemple complet : générer une illustration pédagogique

Une association souhaite créer un visuel pour une fiche expliquant les économies d’énergie. L’image doit représenter une maison équipée de panneaux solaires.

Étape 1 — Définir l’objectif

  • Public : adultes débutants.
  • Usage : illustration d’une fiche pédagogique.
  • Sujet : maison et panneaux solaires.
  • Style : illustration claire et moderne.
  • Contrainte : pas de texte intégré à l’image.

Étape 2 — Rédiger le prompt

Créer une illustration pédagogique claire d’une maison individuelle moderne équipée de panneaux solaires sur son toit. Vue de trois quarts, ciel dégagé, jardin simple, lumière naturelle, style illustration vectorielle moderne, couleurs douces, composition lisible, aucun personnage, aucun texte, aucun logo, format horizontal 16:9.

Étape 3 — Générer une première version

L’utilisateur transmet le prompt à un outil de génération d’images et examine le résultat.

Étape 4 — Vérifier l’image

Critère Contrôle à effectuer
Respect du sujet La maison et les panneaux solaires sont-ils visibles ?
Lisibilité Le sujet principal est-il identifiable immédiatement ?
Cohérence Les panneaux et la structure du toit semblent-ils plausibles ?
Style Le rendu correspond-il à une illustration pédagogique ?
Contraintes Y a-t-il du texte ou un logo non souhaité ?
Utilisation Les dimensions et les conditions d’utilisation conviennent-elles ?

Étape 5 — Améliorer la demande

Supposons que les panneaux solaires soient trop petits pour être facilement identifiables.

La consigne peut être complétée :

Conserver la maison et le style d’illustration, mais rendre les panneaux solaires nettement visibles sur la partie principale du toit. Simplifier l’arrière-plan pour mettre l’accent sur l’installation solaire.

Cette correction peut être utilisée dans une fonction de modification d’image, si l’outil la propose. Sinon, une nouvelle génération peut être nécessaire.

Résultat attendu

Une illustration claire, cohérente et adaptée à une fiche pédagogique. Le résultat n’est considéré comme terminé qu’après vérification des critères définis.

8. Les principales limites de la génération d’images

Un générateur peut produire une image visuellement convaincante tout en commettant des erreurs.

Les erreurs anatomiques ou structurelles

Certains modèles peuvent représenter incorrectement les mains, les membres, les objets ou les relations entre plusieurs éléments.

Les difficultés avec le texte

La génération de mots, d’étiquettes ou de longues inscriptions peut entraîner des fautes, des caractères déformés ou une typographie incohérente. Les performances varient selon les modèles.

Les incohérences physiques

Reflets impossibles, ombres contradictoires, objets mal positionnés ou perspectives incohérentes peuvent apparaître.

Les biais

Les données et les méthodes d’entraînement peuvent influencer la représentation des personnes, des métiers, des cultures et des situations.

Les informations inventées

Une image synthétique ne constitue pas une preuve qu’une scène a réellement existé. Un générateur peut représenter un événement fictif avec un rendu photographique.

Point de vigilance

Une image photoréaliste n’est pas nécessairement une photographie authentique. Pour un usage documentaire, journalistique ou scientifique, la provenance et l’exactitude doivent être vérifiées indépendamment.

9. Quelles précautions avant de diffuser une image ?

La génération technique d’une image et son utilisation publique sont deux questions distinctes.

  • Exactitude : contrôler les éléments qui pourraient induire le public en erreur.
  • Droits : vérifier les conditions d’utilisation du service et les droits de tiers éventuellement concernés.
  • Vie privée : éviter de transmettre des photographies ou données personnelles sans base légitime.
  • Transparence : signaler l’origine synthétique lorsque le contexte ou les règles applicables l’exigent.
  • Qualité : vérifier le rendu à la taille réelle de diffusion.

Les règles juridiques et les conditions d’exploitation seront approfondies dans le cours 09.

10. Méthode pratique à retenir

1
Définir l’usage

Préciser le public, le support et le message à transmettre.

2
Décrire l’image

Indiquer le sujet, le décor, le style, le cadrage et les contraintes importantes.

3
Produire une première version

Lancer la génération et examiner le résultat sans le considérer comme automatiquement validé.

4
Contrôler le résultat

Vérifier la fidélité au prompt, les détails, la cohérence et la qualité visuelle.

5
Corriger et finaliser

Ajuster les instructions, régénérer ou retoucher l’image, puis vérifier les conditions de diffusion.

11. Mise en application guidée

Vous devez préparer une image pour illustrer un article sur le télétravail.

Le visuel doit montrer un espace de travail agréable, avec un ordinateur portable, une plante verte et une lumière naturelle.

Votre mission

  1. Définir le public et l’usage du visuel.
  2. Choisir un style visuel adapté.
  3. Rédiger un prompt comportant au moins cinq caractéristiques.
  4. Définir trois critères de vérification.
  5. Expliquer ce que vous modifieriez si l’image contenait deux ordinateurs au lieu d’un.
Afficher une proposition de correction

1. Public : lecteurs d’un article d’information sur le télétravail.

2. Style : photographie réaliste, ambiance professionnelle et chaleureuse.

3. Prompt : « Photographie réaliste d’un bureau de télétravail lumineux, un seul ordinateur portable ouvert sur une table en bois clair, une plante verte à droite, lumière naturelle venant d’une fenêtre, composition épurée, aucun personnage, aucun texte, format horizontal 16:9. »

4. Contrôles : un seul ordinateur visible ; éclairage naturel cohérent ; composition adaptée à un article.

5. Correction : renforcer explicitement la contrainte « un seul ordinateur portable, aucun autre écran ni ordinateur visible » et, si possible, modifier uniquement la zone incorrecte.

12. Questions fréquentes

Une IA comprend-elle une image comme un humain ?

Non. Elle traite des représentations numériques et exploite des régularités apprises. Elle peut reconnaître ou produire des relations visuelles complexes sans disposer de la même expérience perceptive qu’un humain.

Une image générée est-elle forcément unique ?

Non. Deux générations peuvent se ressembler fortement. Des modèles peuvent également reproduire ou approcher des éléments présents dans leurs données d’entraînement.

Pourquoi l’IA ne respecte-t-elle pas toujours mon prompt ?

Le modèle n’exécute pas une liste de consignes comme un programme déterministe. Il produit une image en fonction de relations statistiques, de ses capacités et des paramètres de génération. Certaines instructions peuvent être mal interprétées ou insuffisamment respectées.

Faut-il savoir dessiner pour utiliser un générateur d’images ?

Non. Savoir décrire un sujet et évaluer un résultat suffit pour commencer. Des connaissances en composition, en photographie ou en graphisme améliorent toutefois la qualité des choix.

Une image photoréaliste prouve-t-elle qu’un événement est réel ?

Non. Le photoréalisme décrit une apparence, pas une preuve d’authenticité. Une image générée peut représenter une scène entièrement fictive.

À retenir

  • Une IA générative produit des images à partir de représentations numériques apprises pendant son entraînement.
  • Le prompt guide la génération, mais ne garantit pas le respect parfait des consignes.
  • Les modèles de diffusion construisent progressivement une image à partir d’une représentation bruitée.
  • La génération peut comporter une part d’aléatoire : un même prompt peut donner plusieurs résultats.
  • Une image convaincante peut contenir des erreurs ou représenter une scène fictive.
  • La vérification visuelle et les précautions d’utilisation restent indispensables.
Vérifiez votre compréhension

Question 1 : Quelle est la différence entre l’entraînement d’un modèle et la génération d’une image ?

Question 2 : Quel rôle joue le prompt dans la création d’une image ?

Question 3 : Pourquoi deux générations issues du même prompt peuvent-elles être différentes ?

Question 4 : Pourquoi une image photoréaliste ne constitue-t-elle pas une preuve ?

Afficher les réponses

1. L’entraînement ajuste les paramètres du modèle à partir de données ; la génération utilise ces paramètres pour produire une nouvelle image.

2. Le prompt décrit les caractéristiques recherchées et oriente la génération.

3. La génération peut comporter une part aléatoire, notamment dans son initialisation.

4. Une IA peut produire une scène fictive ayant l’apparence d’une véritable photographie.

Entraînement

Exercices du cours

Entraînez-vous à identifier les étapes de génération d’une image, le rôle du prompt, les données d’entraînement et les limites des résultats produits.

15 exercices prévus Progression du niveau débutant à avancé Corrections détaillées
Accéder aux exercices →
À suivre · Cours 02 Comprendre les modèles de diffusion et autres technologies de génération →

Approfondir les mécanismes techniques utilisés par les modèles génératifs d’images.