Introduction
La génération d'images par l'IA moderne trouve ses origines dans les avancées majeures réalisées dans le domaine de l'apprentissage profond au milieu des années 2010. À partir de 2014 environ, les chercheurs ont commencé à développer des réseaux neuronaux capables de générer des images entièrement nouvelles plutôt que de simplement les reconnaître. Les premiers modèles génératifs profonds ne pouvaient produire que des images minuscules et floues, mais les progrès rapides ont rapidement permis d'obtenir des images photoréalistes et haute résolution à la demande.
Cet article retrace l'histoire académique de la génération d'images par IA à l'ère du deep learning, depuis l'avènement des réseaux antagonistes génératifs (GAN) en 2014 jusqu'aux puissants modèles de diffusion actuels, capables de peindre des images à partir d'une simple invite textuelle. Au fil des pages, nous verrons comment la qualité des modèles, la résolution, le contrôle sémantique et l'accessibilité se sont considérablement améliorés, ouvrant la voie à une révolution dans le domaine de l'IA créative.
GAN : les réseaux antagonistes génératifs lancent une révolution (2014)
- Introduits par Ian Goodfellow et al. en 2014.
- Générateur et discriminateur dans une boucle d'entraînement antagoniste.
- Les premiers modèles produisaient des images à basse résolution (par exemple, 32x32).
- DCGAN (2015) a introduit les architectures convolutives.
- Progressive GAN (2017) a permis la synthèse d'images à haute résolution (1024×1024).
- BigGAN (2018) : GAN conditionnels par classe entraînés sur ImageNet.
- Principales limites : effondrement de mode, instabilité de l'entraînement.
VAE et modèles autorégressifs au niveau des pixels (2014-2016)
- Auto-encodeurs variationnels (VAE) par Kingma & Welling (2013) : espace latent probabiliste + astuce de reparamétrisation.
- Avantages : apprentissage stable, espace latent interprétable.
- Inconvénients : images floues en sortie.
- PixelRNN / PixelCNN (2016) : modélisation autorégressive des pixels.
- Génération extrêmement lente, mais bonne estimation de la densité.
StyleGAN et améliorations du GAN (2017-2019)
- StyleGAN par Karras et al. (2018-2019) :
- Espace latent intermédiaire + contrôle du style par couche.
- Séparation non supervisée des attributs sémantiques (par exemple, pose, sourire).
- Synthèse de visages 1024×1024 hautement photoréalistes.
- StyleGAN2 (2020) : amélioration de la qualité d'image et de la stabilité de l'entraînement.
- Autres innovations : Wasserstein GAN (WGAN), WGAN-GP.
VQ-VAE et Transformers (2017-2021)
- VQ-VAE (2017) : image → jetons discrets via un livre de codes.
- Permet l'utilisation de transformateurs pour modéliser des séquences d'images.
- VQ-VAE-2 (2019) : latents hiérarchiques multi-échelles.
- Image GPT (2020) : transformateurs autorégressifs sur des séquences de pixels.
- DALL·E (2021) par OpenAI :
- Transformateur de type GPT sur des jetons de texte + image.
- Génère des images 256×256 à partir d'invites en langage naturel.
VQ-GAN : combinaison des transformateurs et de l'apprentissage antagoniste (2021)
- VQ-GAN (2021) : combine la perte VQ-VAE + GAN.
- Le décodeur produit des images plus nettes que le VQ-VAE classique.
- Utilisé dans les pipelines de génération guidés par CLIP.
Les modèles de diffusion prennent le dessus (2020-2022)
- DDPM (Ho et al., 2020) : modèles probabilistes de diffusion avec débruitage.
- Commencer par le bruit → débruiter étape par étape.
- Haute fidélité d'image, aucune instabilité due à l'entraînement antagoniste.
- Diffusion guidée par classificateur et architectures améliorées (Nichol & Dhariwal, 2021).
- Résultats plus stables et plus diversifiés que les GAN.
L'essor de la génération texte-image (2021-2022)
DALL·E 2 (2022)
- Génération basée sur la diffusion + guidage CLIP.
- Résolution 1024×1024, retouche, variations de prompt.
- Avancée majeure en matière de photoréalisme et de contrôle sémantique.
Google Imagen (2022)
- Utilise le modèle linguistique T5 pour une meilleure compréhension du texte.
- Architecture de modèle de diffusion latente.
- En tête des classements de préférence humaine.
Midjourney (2022–)
- Laboratoire de recherche indépendant.
- Générations stylisées artistiquement, très populaires dans les industries créatives.
Stable Diffusion (2022)
- Modèle de diffusion latente open source développé par CompVis + Stability AI.
- Fonctionne sur des GPU grand public (~2,4 Go de VRAM).
- Accès démocratisé à la génération de texte-image de haute qualité.
Principales tendances et avancées
Qualité d'image et résolution
- De taches floues 32×32 (2014) → photoréalisme 1024×1024 (2022).
- GAN : première avancée majeure en matière de fidélité.
- Modèles de diffusion : meilleure diversité + netteté.
Contrôle sémantique
- GAN : modifications de l'espace latent et étiquettes de classe.
- DALL·E/Imagen : conditionnement complet du texte.
- Retouche, modification et génération compositionnelle.
Accessibilité
- Du laboratoire à l'utilisation mondiale :
- Outils open source (par exemple, Stable Diffusion).
- Applications Web et API.
- Les créateurs et les non-programmeurs utilisent désormais activement l'IA générative.
Conclusion
Des GAN en 2014 à la diffusion open source de texte vers image en 2022, la génération d'images par IA est passée d'une curiosité académique à un outil créatif omniprésent. Le domaine a évolué grâce à :
- Réalisme basé sur les GAN,
- Compréhension sémantique pilotée par Transformer,
- Modèles de diffusion permettant une qualité et un contrôle d'image sans précédent.
Les orientations futures comprennent la génération de vidéos, la création d'actifs 3D et une intégration plus étroite avec les systèmes linguistiques et multimodaux. Le rythme de l'innovation laisse présager que la prochaine génération d'IA visuelle sera encore plus immersive, interactive et accessible.