Le texte-vers-image (text-to-image) est une famille de modèles d'IA générative capables de produire une image inédite à partir d'une simple description en langage naturel, appelée prompt. Imaginez un peintre qui n'aurait jamais vu votre idée, mais qui la dessine instantanément à partir de vos seuls mots : c'est exactement ce que font des systèmes comme DALL·E, Midjourney ou Stable Diffusion.
Comment la machine relie mots et pixels
Le défi central est d'aligner deux mondes : le texte et l'image. Les modèles apprennent cet alignement sur d'immenses corpus de paires (image, légende). Un encodeur de texte (souvent inspiré de CLIP) traduit le prompt en un vecteur de sens, qui guide ensuite la génération visuelle. Le modèle ne « copie » pas des images existantes : il échantillonne une nouvelle image dans l'espace appris.
Le mécanisme de diffusion
La plupart des systèmes récents reposent sur la diffusion. L'idée : on apprend à débruiter. Pendant l'entraînement, on ajoute progressivement du bruit gaussien à une image ; le réseau apprend à inverser ce processus. À la génération, on part d'un bruit pur et on le débruite pas à pas, conditionné par le texte.
$$x_{t-1} = \frac{1}{\sqrt{\alpha_t}}\left(x_t - \frac{1-\alpha_t}{\sqrt{1-\bar{\alpha}t}}\,\epsilon\theta(x_t, t, c)\right)$$
où $c$ est le conditionnement textuel et $\epsilon_\theta$ le bruit prédit.
Familles d'approches
| Approche | Principe | Exemples |
|---|---|---|
| Diffusion | Débruitage itératif | Stable Diffusion, Imagen |
| Autorégressif | Pixels/tokens séquentiels | DALL·E (1ʳᵉ version) |
| GAN | Générateur vs discriminateur | StyleGAN-T |
Le texte-vers-image rend la création visuelle aussi accessible qu'écrire une phrase — mais soulève des questions de droits d'auteur, de biais et de désinformation.