Une devinettePour commencerCas d'ouverture
Réfléchis une secondeEssaie de répondrePosez votre intuition
Une vieille télé qui grésille, pleine de neige. Comment un chat astronaute peut-il apparaître dedans ?
Pense à ta réponse, même si tu n'es pas sûr. La suite te dira si tu avais vu juste.
Tu relances exactement le même prompt et ton avatar change. Si l'IA « dessinait », ce serait possible ?
Prends dix secondes pour répondre dans ta tête. Tu compareras avec la suite.
Vous demandez une maquette avec votre slogan et les lettres sortent déformées. Quel point du processus explique cette faiblesse ?
Formulez d'abord votre réponse, même approximative : la comparer à la suite fixe bien mieux les acquis.
Une image pour comprendreL'image mentaleL'image mentale
Une image pour comprendreL'idée en une imageL'idée en une image
C'est comme une vitre toute embuée que tu essuies petit à petit : un dessin apparaît dessous.
C'est comme un sculpteur qui part d'un bloc de brouillard au lieu d'argile : il enlève le brouillard jusqu'à voir la statue que tu as décrite.
C'est un sculpteur qui ne part pas d'argile mais d'un bloc de brouillard : il retire le brouillard jusqu'à révéler la statue décrite par le prompt.
Comment ça marcheComment ça marcheLa mécanique
Une étape à la foisLe mécanisme, étape par étapeLe mécanisme, étape par étape
Partir d'une télé sans image, et la nettoyer
L'image commence comme une vieille télé qui grésille : que de la neige.
La machine nettoie cette neige tout doucement, un petit peu à la fois.
Pendant qu'elle nettoie, elle écoute tes mots pour savoir quoi dessiner.
À la fin, le dessin que tu as demandé apparaît dans la neige.
Du bruit vers l'image, guidé par le texte
L'image démarre en bruit aléatoire : un écran de neige, sans rien dedans.
Le modèle retire un peu de bruit à chaque étape, des dizaines de fois de suite.
Ton prompt est transformé en nombres et guide chaque étape vers ce que tu veux.
Au bout des étapes, une vraie image émerge du brouillard.
Diffusion débruitante conditionnée, dans l'espace latent
On part d'un tirage de bruit aléatoire pur, sans contenu.
Le réseau prédit puis retire le bruit, étape après étape (20 à 50 passes typiques).
Le prompt est encodé (CLIP / T5) et injecté à chaque étape par attention croisée : c'est le conditionnement.
Tout se fait dans un espace latent compressé, décodé en pixels (VAE) seulement à la fin.
Des exemples pour toiDes exemples concretsExemples concrets
Tu l'as déjà croiséOù tu le retrouvesOù vous le retrouvez en situation
Tu dis « un chat astronaute » et elle fait apparaître un chat dans l'espace.
Tu redemandes la même chose et le dessin n'est pas tout à fait pareil.
Tu demandes un dragon qui tient une pancarte… et les lettres sont toutes bizarres.
Tu tapes « avatar cyberpunk pour mon profil » et tu obtiens l'image en quelques secondes.
Tu relances le même prompt et l'image change : c'est le bruit de départ qui diffère.
Tu demandes un poster avec le titre de ton groupe… et le texte sort écrit n'importe comment.
Générer une planche de concept-art avec Midjourney v6, FLUX ou DALL·E 3 en quelques secondes.
Fixer la même seed et le même prompt pour reproduire à l'identique une image validée.
Demander une maquette avec un slogan précis et constater que le texte intégré reste peu fiable.
Attention aux piègesÀ éviterÀ éviter
Ce qu'on croit, et ce qui est vraiIdées reçues et pièges à éviterIdées reçues et risques à anticiper
-
On croit que
On croit que la machine dessine d'un seul coup, comme toi avec un crayon.
En vrai
En vrai, non. Elle nettoie de la neige petit à petit, plein de fois, jusqu'à voir le dessin.
-
On croit que
On croit qu'elle découpe des bouts de vraies photos pour les coller.
En vrai
En vrai, non. Elle invente le dessin en nettoyant la neige, elle ne colle pas de morceaux.
Les pièges à retenir
- Elle se trompe souvent sur les mains : trop de doigts ou pas assez.
- Quand tu demandes des lettres sur une pancarte, elles sortent toutes tordues.
- Si tu demandes « 5 chiens » pile, elle peut en mettre 4 ou 6.
-
On croit que
« L'IA peint l'image d'un seul coup, comme un vrai artiste. »
En réalité
Non. Elle part de bruit et le retire en dizaines d'étapes. C'est un nettoyage progressif, pas un coup de pinceau.
-
On croit que
« Elle colle des bouts de vraies photos trouvées sur le net. »
En réalité
Faux. Elle génère les pixels en débruitant du hasard, selon ce qu'elle a appris sur des millions d'images.
-
On croit que
« Si je relance, c'est forcément que j'ai changé un mot. »
En réalité
Faux. Même prompt, image différente : c'est la seed (le bruit de départ) qui change. Fixe-la, l'image redevient identique.
Les pièges à retenir
- Les mains et les doigts restent ratés très souvent : c'est sa faiblesse historique.
- Le texte dans l'image (logos, slogans) sort déformé ou inventé.
- Compter pile (« exactement 3 personnages ») et bien placer les objets reste peu fiable.
- Réflexe malin : une image générée n'est pas une preuve. Cherche les détails ratés avant de croire qu'une photo est vraie.
-
Idée reçue
« Le modèle peint l'image en une passe, comme un artiste. »
Réalité
Non. C'est un débruitage itératif sur des dizaines d'étapes, pas un rendu unique.
-
Idée reçue
« Il assemble des morceaux d'images d'entraînement. »
Réalité
Faux. Il génère des pixels en débruitant du bruit, selon des régularités apprises ; il ne colle pas de fragments.
-
Idée reçue
« Les ratés sur les mains sont juste un mauvais réglage. »
Réalité
Non. Mains, texte intégré et comptage sont des limites structurelles : le modèle ne raisonne pas sur l'anatomie ni l'orthographe.
-
Idée reçue
« Deux images différentes impliquent deux prompts différents. »
Réalité
Faux. Même prompt, images distinctes : c'est la seed du bruit initial. La figer rend la génération déterministe.
Points de vigilance
- Mains, doigts et anatomie fine restent souvent incorrects, malgré les progrès 2026.
- Le texte intégré (panneaux, logos) est fréquemment déformé ou inventé.
- Comptage exact et agencement spatial précis demeurent peu fiables.
- La cohérence d'un personnage récurrent d'une image à l'autre est difficile sans techniques dédiées.
Ce que je retiensÀ retenirÀ retenir
L'essentiel, en quatre idéesL'essentiel, en quatre idéesL'essentiel, en quatre points
La phrase à garder
Pour faire une image, la machine part du grésillement de la télé et le nettoie petit à petit, en écoutant tes mots.
- On part de la neige L'image commence comme une télé qui grésille.
- On nettoie doucement Petit à petit, pas d'un seul coup.
- Tes mots commandent Ils disent quoi faire apparaître.
- Jamais pareil Deux essais ne donnent pas le même dessin.
La phrase à garder
Créer une image, ce n'est pas la dessiner d'un coup : on part de bruit pur et on le nettoie pas à pas, guidé par le texte.
- Départ en bruit L'image commence en neige aléatoire, pas en feuille blanche.
- Débruitage répété On retire un peu de bruit à chaque étape, des dizaines de fois.
- Le texte guide Le prompt encodé oriente chaque étape (conditionnement).
- Le hasard = la seed Le bruit de départ explique pourquoi deux images diffèrent.
Message clé
La génération d'images par diffusion part de bruit pur et le débruite pas à pas, conditionnée par le texte, dans un espace latent pour la vitesse.
- Bruit → image On part de bruit aléatoire, pas d'une toile vierge.
- Débruitage itératif 20 à 50 étapes prédisent et retirent le bruit.
- Conditionnement texte Le prompt encodé oriente chaque étape (cross-attention).
- Latent + seed On débruite une version compressée ; la seed fixe le hasard du départ.
Je m'entraîneJe valideÉvaluation
Je teste ce que j'ai comprisJe teste ce que j'ai comprisValidez vos acquis
Valider : Comment l'IA crée des images
4 questions. Il faut 70 % de bonnes réponses pour maîtriser la fiche. Tu as le droit de te tromper et de réessayer.
Pour les curieuxPour aller plus loinPour aller plus loin
Si tu veux en savoir plusCreuser le sujetApprofondir et poursuivre
Sous le capot, pour les curieux
La neige
On commence par le grésillement de la télé
Tu sais, quand une vieille télé n'a pas d'image et qu'il y a plein de petits points qui grésillent ? La machine commence l'image comme ça : que de la neige, aucun dessin dedans. C'est son point de départ, à chaque fois.
Le nettoyage
Elle nettoie petit à petit, pas d'un coup
Au lieu de dessiner d'un seul trait comme toi avec ton crayon, la machine enlève la neige tout doucement. Un petit peu, puis encore un petit peu, plein de fois. C'est comme essuyer une vitre embuée : plus tu essuies, plus le dessin derrière devient net.
Tes mots
Tes mots lui disent quoi faire apparaître
Pendant qu'elle nettoie la neige, la machine écoute tes mots. Si tu dis « une licorne sur un arc-en-ciel », elle nettoie de façon à faire apparaître une licorne et un arc-en-ciel. Tes mots, c'est un peu sa commande : sans eux, elle ne saurait pas quoi dessiner.
Jamais pareil
Pourquoi le dessin change à chaque fois
La neige du début n'est jamais exactement la même : c'est du hasard, comme quand tu secoues une boule à neige. Alors même si tu redemandes la même chose, le dessin qui apparaît est un peu différent. Et l'âne IA en profite pour dire : « Hi-han, c'est pour ça que je ne me répète jamais ! »
Sous le capot
Apprendre à l'envers
On apprend à détruire pour savoir reconstruire
L'idée est maligne : pendant l'entraînement, on prend de vraies images et on y ajoute du bruit par paliers, jusqu'à ce qu'il ne reste que de la neige. Le modèle apprend à deviner le bruit ajouté à chaque palier. Ensuite, on l'utilise à l'envers : on part de neige pure et on retire le bruit qu'il prédit, étape par étape, jusqu'à voir une image apparaître.
Le texte qui guide
Le prompt oriente chaque coup de gomme
Ton prompt est d'abord transformé en nombres par un encodeur de texte (souvent CLIP). Ces nombres sont injectés à chaque étape de nettoyage : c'est ce qu'on appelle le conditionnement. C'est lui qui fait que « château la nuit » ne donne pas « plage au soleil ». On peut même régler la « force » du guidage pour coller plus ou moins au prompt.
Espace latent
On débruite une miniature, pas l'image entière
Nettoyer directement des millions de pixels serait super lent. Alors les modèles compressent l'image en une sorte de miniature en nombres (l'espace latent), bien plus petite. Tout le débruitage se fait sur cette miniature, puis un décodeur l'agrandit en image pleine résolution à la toute fin. C'est l'astuce qui rend la génération rapide sur ton téléphone ou ton navigateur.
Pourquoi ça rate
Mains, texte et comptage : les points faibles
Le modèle ne « comprend » pas une main ni un mot : il reproduit des régularités vues sur des millions d'images. Du coup, il met parfois six doigts, écrit des slogans illisibles ou se trompe en comptant. Réflexe malin : une image générée n'est pas une preuve. Avant de croire qu'une photo est vraie, zoome sur les mains, le texte et les détails bizarres : c'est souvent là que ça se trahit.
Sous le capot : les briques techniques
Bruit
On apprend d'abord à détruire, pour savoir reconstruire
Pendant l'entraînement, on prend de vraies images et on y ajoute du bruit par paliers, jusqu'à ne plus rien voir. Le modèle apprend à prédire le bruit ajouté à chaque palier. Une fois ce savoir acquis, on l'utilise à l'envers : on part de bruit pur et on retire le bruit prédit, étape après étape, pour faire émerger une image.
Conditionnement
Le texte guide chaque coup de gomme
Le prompt est encodé en vecteurs (via un encodeur de texte comme CLIP ou T5) puis injecté à chaque étape de débruitage par attention croisée. C'est ce conditionnement qui fait que « château la nuit » ne donne pas « plage au soleil ». Une astuce courante (le guidage, ou guidance scale) accentue l'influence du prompt pour coller davantage à la demande.
Espace latent
On débruite une miniature, pas l'image entière
Débruiter directement des millions de pixels serait très lent. Les modèles latents compressent l'image (souvent 8x plus petite par côté, soit ~64 fois moins de données) grâce à un encodeur. Tout le débruitage se fait sur cette miniature de nombres, puis un décodeur (VAE) la rouvre en image pleine résolution à la toute fin.
Hasard
Pourquoi deux images diffèrent : la seed
Le point de départ est un tirage de bruit aléatoire, identifié par une « seed » (un numéro). Changez la seed, et le brouillard de départ change : l'image finale aussi. Fixez la même seed et le même prompt, vous reproduisez exactement la même image. Le hasard n'est donc pas magique, il est juste dans le bruit initial.
Questions fréquentes
- Comment une IA crée-t-elle une image, simplement ?
- Elle part d'une image de pur bruit (comme la neige d'une télé) et enlève ce bruit étape par étape, en suivant les mots de ton prompt, jusqu'à faire apparaître l'image demandée.
- Pourquoi le même prompt donne-t-il deux images différentes ?
- Parce que le point de départ est un bruit aléatoire (la « seed »). Change le bruit, change l'image. Avec la même seed et le même prompt, on retombe sur la même image.
- Pourquoi l'IA rate-t-elle souvent les mains et le texte ?
- Parce qu'elle reproduit des régularités statistiques, elle ne raisonne pas sur l'anatomie ni sur l'orthographe. Doigts, slogans et comptage restent des points faibles, même en 2026.
- C'est quoi l'« espace latent » ?
- Une version compressée de l'image (une miniature en nombres). Le modèle débruite sur cette miniature pour aller plus vite, puis un décodeur la rouvre en image pleine résolution à la fin.
- Est-ce que comprendre une image, c'est pareil que la créer ?
- Non. Comprendre une image (décrire une photo, lire un graphique) relève du multimodal. Créer une image, c'est la diffusion : partir de bruit et le débruiter. Deux mécanismes différents.
Pour continuer
-
Lis l'histoire en BD, c'est plus rigoloCette notion existe aussi en BDCette notion existe aussi en BD IA peintre du dimanche - Fiche à suivre Le multimodal : texte, image, son Pour distinguer COMPRENDRE une image (multimodal) de la CRÉER (cette fiche).
- Fiche à suivre Pourquoi l'IA se trompe Pour comprendre pourquoi les mains, le texte et le comptage restent des faiblesses.
- Fiche à suivre Écrire ses prompts Parce que c'est le texte qui guide chaque étape de la génération d'image.
SourcesSourcesSources vérifiées