Une ville engloutie, une chaise impossible, un portrait plus vrai qu’une photographie : quelques mots suffisent désormais à faire naître une image. Le plus étonnant est le point de départ. Beaucoup des générateurs les plus connus ne partent ni d’un croquis ni d’une photo, mais d’un grésillement de pixels tirés au hasard, comme l’écran d’un vieux téléviseur mal réglé. Ils ont appris un seul geste, répété des dizaines de fois : retirer un peu de ce bruit. L’idée, publiée en 2015 par Jascha Sohl-Dickstein et ses collègues, s’inspire de la physique statistique : détruire lentement la structure d’une image, puis apprendre à remonter le chemin.
LE DÉCLIC EN IMAGE
Du bruit à une image possible
La consigne guide une succession de transformations qui fait émerger une structure visuelle.
Le point de départ ressemble à un brouillage.
Des formes deviennent progressivement reconnaissables.
Une image possible apparaît, influencée par la consigne et les réglages.
LES BASESLes bases, si vous découvrez le sujet
- Bruit
- Un brouillage de petits points qui masque les formes d’une image.
- Diffusion
- Une famille de méthodes qui apprennent à transformer progressivement ce bruit pour produire une image.
- Consigne
- Les informations fournies pour guider la génération, par exemple une description écrite.
Au fil de cette lecture
Apprendre à défaire le brouillage
L’entraînement d’un modèle de diffusion ressemble à un exercice répété des millions de fois. On prend une image, on y ajoute une dose de bruit aléatoire, et on demande au modèle de retrouver quel bruit a été ajouté. Comme on connaît à la fois l’image de départ et le bruit, il n’y a besoin d’aucune annotation humaine pour corriger ses erreurs. Dans l’article de Jonathan Ho, Ajay Jain et Pieter Abbeel, qui relance la méthode en 2020, le brouillage complet se décompose en mille petites étapes.
Une image légèrement bruitée se débruite facilement : il suffit de connaître l’aspect habituel d’un bord ou d’une texture. Une image presque entièrement noyée demande de deviner une composition d’ensemble. En s’entraînant à tous les niveaux de brouillage, le modèle apprend à la fois les grandes formes et les détails fins du monde visuel tel que ses exemples le montrent.
Partir d’un bruit pur
Pour créer, on inverse le processus. On tire un bruit entièrement aléatoire, puis le modèle estime le bruit qu’il contient et en retire une partie, encore et encore. Les grandes masses apparaissent d’abord, une silhouette, un horizon ; les détails viennent à la fin. Aucune photo n’était cachée dans ce bruit de départ : changez le tirage initial, et la même demande donne une autre image.
Ce chemin peut être long. Le procédé de 2020 refaisait ses mille étapes à chaque image, ce qui coûtait cher. Des méthodes de tirage plus économes en sautent une bonne partie, et quelques dizaines à une centaine d’étapes suffisent souvent aujourd’hui.
Travailler en miniature
Débruiter directement des millions de pixels reste coûteux : entraîner les meilleurs modèles de ce type demandait des centaines de jours de calcul sur carte graphique. En 2022, Robin Rombach et ses collègues, à l’université Louis-et-Maximilien de Munich et à Heidelberg, proposent un raccourci. Un premier réseau compresse l’image en une représentation plus petite, réduite d’un facteur 4 à 16 sur chaque côté. La diffusion opère dans cet espace compressé, puis un décodeur restitue l’image en pleine taille.
Cette « diffusion latente » est à la base du générateur ouvert Stable Diffusion. Une de ses versions compte environ 890 millions de paramètres et a été entraînée sur quelque 160 millions d’images.
Les mots comme boussole
La consigne écrite est d’abord transformée en nombres par un modèle de langage. À chaque étape du débruitage, un mécanisme d’attention permet au réseau de consulter ces nombres pour orienter les formes vers « chat », « chapeau » ou « aquarelle ». Pour renforcer cette influence, Jonathan Ho et Tim Salimans ont proposé une astuce : entraîner le même modèle avec et sans description. Au moment de générer, on compare ses deux prédictions et on amplifie leur différence. L’image colle davantage au texte, au prix d’une variété moindre.
La phrase reste un guide plutôt qu’un plan. Demander trois objets précisément disposés peut échouer si le modèle représente mal leur nombre ou leurs relations. Et « une maison au bord de la mer » laisse ouverts la météo, l’architecture et le point de vue : le générateur comble ces vides avec ce que ses exemples rendent le plus probable.
Des milliards d’exemples, et quelques copies
Ce qu’il a vu se compte en milliards. En 2022, le collectif LAION publie une base ouverte de 5,85 milliards de paires image-texte récupérées sur le Web, dont des sous-ensembles ont servi à entraîner Stable Diffusion. Styles, associations et clichés du modèle viennent de là. La plupart des images produites sont nouvelles, mais pas toutes. En 2023, Nicholas Carlini et ses collègues génèrent 175 millions d’images à partir des 350 000 légendes les plus répétées de la base d’entraînement de Stable Diffusion. Ils y retrouvent une centaine de quasi-copies d’images originales, du portrait d’une personne réelle au logo d’une marque.
La mémorisation reste rare, mais elle existe, surtout pour les images présentes de nombreuses fois dans les données. Le réalisme, lui, est la règle. Une machine imaginaire peut afficher des vis, des reflets et des articulations parfaitement crédibles tout en étant mécaniquement impossible. Une image générée est la réponse la plus vraisemblable à une description, tirée de milliards d’exemples ; elle ne témoigne d’aucun instant qui ait eu lieu.
Ce qu’on garde en tête.
- Un modèle de diffusion apprend à retirer du bruit ; pour créer, il part d’un bruit pur et le retire étape par étape.
- La consigne oriente chaque étape, sans garantir le nombre ni la disposition des objets demandés.
- Entraînés sur des milliards d’images du Web, ces modèles créent surtout du neuf, mais peuvent recopier des images très répétées.
Ce que l’on sait. Ce qui reste ouvert.
L’article décrit les modèles de diffusion, une famille de générateurs parmi d’autres. Le dessin du débruitage n’est pas une génération réelle. Une image produite peut comporter des incohérences ou reproduire des éléments mémorisés ; son réalisme ne prouve pas la réalité de la scène.
UN PETIT DÉCLIC POUR LA ROUTE
Comment un générateur d’images par diffusion produit-il une image ?
Remonter à la source.
- Apprentissage profond non supervisé et thermodynamique hors équilibreSohl-Dickstein et al., 2015↗
- Modèles probabilistes de diffusionHo, Jain et Abbeel, 2020↗
- Diffusion dans un espace latentRombach et al. · Université de Munich (LMU) et Heidelberg, 2022↗
- Guidage sans classificateurHo et Salimans, 2022↗
- LAION-5B : une base ouverte de paires image-texteSchuhmann et al. · 2022 · Article de recherche, anglais↗
- Extraire des données d’entraînement des modèles de diffusionCarlini et al. · 2023 · Article de recherche, anglais↗
Sources consultées le 9 octobre 2026. Rédaction assistée par IA, sans relecture indépendante d’expert à ce stade.
Signaler une erreur ou proposer une précision