Cohérence des personnages IA : pourquoi elle a le même visage sur chaque photo

Tape deux fois la même description dans un générateur d'images généraliste et tu obtiens deux femmes différentes. Brune, vingt-cinq ans, sportive, yeux verts, debout sur une plage. Relance : tout correspond toujours aux mots, mais le visage ne correspond plus au premier. Les deux résultats sont corrects. Mais ce n'est pas la même femme.

Cet écart, c'est le problème difficile de la génération d'images pour une compagne IA. Produire une image photoréaliste, c'est quasiment réglé. Produire deux fois la même personne, c'est là que le vrai travail commence. Et c'est toute la différence entre un générateur de photos et une compagne.

Une description ne peut pas définir un visage

Si les deux photos de plage ne se ressemblent pas, c'est que le langage perd énormément d'information sur les visages, bien plus que sur la plupart des autres choses.

« Brune, vingt-cinq ans, sportive, yeux verts » réduit le champ à une catégorie qui contient un nombre pratiquement illimité de personnes distinctes. Ajoute cinquante mots de plus, ça reste une catégorie. C'est une propriété de la description, pas un défaut du générateur. Les dessinateurs de portraits-robots de la police passent des heures avec un témoin qui a vraiment vu le visage, et produisent pourtant quelque chose qui renvoie à un type plutôt qu'à une personne.

Un système fondé uniquement sur les mots ne peut donc pas tenir une identité. Chaque génération retire la personne au sort à l'intérieur de la catégorie que décrivent les mots.

Figer le visage, c'est facile… et inutile

Les modèles d'image partent d'un bruit aléatoire qu'ils débruitent pas à pas jusqu'à obtenir une image. Ce hasard vient d'une seed. Fixe la seed, et le même prompt produit exactement la même image à chaque fois, au pixel près.

Tu as maintenant un autre problème. La seed ne fige pas seulement son visage. Elle fige la pose, le cadrage, l'éclairage, la composition, la façon dont tombent ses cheveux. Tu n'as pas construit une compagne que tu peux photographier. Tu as construit une photo que tu peux réimprimer.

Change un seul mot pour la mettre sur un balcon plutôt que sur une plage, et le chemin de débruitage bifurque. Le visage se défait en même temps que l'arrière-plan, parce que la seed n'a jamais stocké une personne. Elle stockait un point de départ qui, par hasard, aboutissait à une personne.

Fige tout et tu obtiens une seule image pour toujours. Ne fige rien et tu obtiens une inconnue à chaque fois. Ce dont un produit de compagne IA a besoin, c'est de figer exactement une chose, elle, et de laisser tout le reste libre.

Les trois approches du secteur

Rien de ce qui suit ne décrit la façon dont une plateforme en particulier est construite. Ce sont simplement les approches qui existent. Les connaître te dit quoi regarder dans les résultats.

Le conditionnement par référence. Au lieu de décrire le visage avec des mots, on donne au modèle le visage lui-même en entrée, à côté du prompt, pour qu'il conditionne la génération sur cette image plutôt que sur des adjectifs. L'identité voyage sous forme de pixels, pas de phrase. C'est l'approche moderne la plus répandue, et elle gère plutôt bien les poses inédites.

L'entraînement par personnage. On entraîne un petit adaptateur sur une série d'images d'une même personne, jusqu'à ce que le modèle apprenne cette identité comme un concept qu'il peut invoquer. Coûteux pour chaque personnage, résultats très solides. C'est pour ça que les plateformes qui procèdent ainsi ont tendance à proposer un casting fixe plutôt qu'une création illimitée.

La re-spécification structurée. L'identité est stockée sous forme d'un ensemble fixe d'attributs, renvoyé discrètement avec chaque requête : l'utilisateur n'a jamais à les retaper, et n'a donc jamais l'occasion de les faire dériver. Plus faible que les deux autres prise isolément. Généralement combinée à l'une d'elles.

L'indice à repérer dans les résultats est le même, quelle que soit la méthode. Regarde si son visage survit à un changement d'angle. Les approches superficielles s'accrochent à ce qui est visible de face et s'effondrent dès que la caméra bouge.

Ce que le Studio ne te laisse pas changer

Le Studio de myVirtual.love, c'est l'endroit où tout ça devient visible côté utilisateur.

Tu choisis un personnage, puis tu décris l'image. Ce qui se passe va de Juste une photo à Sexe, en passant par Lingerie et Nu, avec une position facultative dès que tu choisis Sexe. Où est une liste de lieux qui comprend Plage et Piscine, parmi beaucoup d'autres. Caméra couvre Gros plan, Buste, Plein pied, En contre-plongée et d'autres encore, et un interrupteur à part cadre la scène de ton point de vue. Vient ensuite un champ libre pour le détail supplémentaire et, dans les réglages avancés, la qualité, un prompt négatif, une seed et un interrupteur Garder son visage.

Rien sur cette liste ne la concerne, elle. Aucun champ pour son visage, aucun pour la couleur de ses cheveux, son origine, la couleur de ses yeux, sa silhouette ou son âge. Tout ça a été défini une fois pour toutes, à sa création ; pour un personnage que tu as créé toi-même, c'était environ dix-huit questions sur l'écran de création. Le Studio ne les redemande pas, parce que les redemander, c'est précisément comme ça que l'identité dérive. Un sélecteur d'origine n'apparaît que si tu ne choisis aucun personnage et que tu décris quelqu'un de nouveau : là, il n'y a pas d'identité à tenir.

L'identité se situe en amont et ne se modifie pas depuis la caméra. La scène se situe en aval et se modifie entièrement. Même l'interrupteur Garder son visage, le seul qui touche à son visage, décide seulement si son visage est intégré au rendu ; il ne peut pas changer son apparence. Un utilisateur qui pourrait retaper son apparence au moment de la génération se verrait offrir sur un plateau exactement l'échec que ce système existe pour empêcher.

Le champ de détail supplémentaire est en texte libre : il peut décrire une lampe, une ambiance, une posture, un vêtement. Il se situe en aval de l'identité, et c'est ce qui rend le texte libre sans danger à cet endroit.

Le test de la contre-plongée

Si tu veux savoir si une plateforme a vraiment résolu ce problème, c'est la liste des cadrages qu'il faut sonder. « En contre-plongée », voilà la question qui compte.

Un visage photographié de face et le même visage photographié en contre-plongée ont étonnamment peu en commun au niveau des pixels. La mâchoire domine, le nez change complètement de forme, les yeux rétrécissent dans le cadre, les pommettes s'inversent. Un système qui tient l'identité en faisant correspondre des traits de surface n'a presque plus rien à quoi se raccrocher, alors il fait ce que font les générateurs quand la contrainte se relâche. Il produit un visage plausible.

Le plausible, c'est justement l'échec. Le visage aura l'air très bien tout seul, et faux à côté de la photo d'hier.

Le gros plan est l'autre extrémité du même test, difficile pour la raison inverse. Il y a tellement de visage dans le cadre que les petites incohérences n'ont nulle part où se cacher. La texture de la peau, la distance exacte entre les yeux, l'asymétrie que possède tout vrai visage et que toute génération médiocre gomme.

Génère la même compagne en gros plan et en contre-plongée pendant la même session, et place les deux images côte à côte. Cette comparaison t'en apprend plus sur le système sous-jacent que n'importe quelle liste de fonctionnalités.

L'anime pose un autre problème de cohérence

L'anime a l'air d'être le cas le plus simple, parce que le rendu est plus simple. C'est un problème différent, pas un problème plus petit.

Un visage photoréaliste porte son identité dans sa géométrie. Les distances et les proportions précises qui font que ce visage est ce visage-là, et pas un visage semblable. Le style anime en supprime délibérément la plus grande partie. Les yeux sont agrandis et standardisés, le nez tient souvent en trois pixels, la mâchoire suit les codes maison plutôt que l'anatomie. Deux personnages anime dessinés dans le même style peuvent avoir une géométrie faciale presque identique et se lire pourtant comme deux personnes complètement différentes.

L'identité se déplace donc ailleurs. Elle passe par la forme et la couleur des cheveux, par la couleur des yeux et leur langage graphique, par les accessoires, par la silhouette, par la palette propre au personnage. Un système qui tient une identité anime suit un tout autre ensemble de traits qu'un système qui tient un visage photographique. Une plateforme qui traite l'anime comme un filtre posé sur une chaîne de génération réaliste produit des personnages qui dérivent exactement là où les amateurs d'anime le remarquent.

Sur myVirtual.love, l'anime est une catégorie à part entière, pas une option de rendu. Le style est tenu pendant la génération : une compagne anime produit des images anime, et non une personne photoréaliste repeinte avec un look anime.

Là où ça dérive encore

Quatre endroits que le verrouillage de l'identité n'atteint pas.

Les détails non précisés. Tout ce que tu n'as pas fixé est retiré au sort à chaque fois. Un collier qui te plaisait sur une photo n'est plus là sur la suivante, parce qu'il n'a jamais fait partie de son identité : c'est un détail que le modèle a inventé une fois. Ça surprend ceux qui imaginent que tout ce qui figure dans une image générée est stocké quelque part.

L'éclairage et le teint apparent. Fais-la passer d'une piscine en plein midi à une scène d'intérieur, et la même personne apparaît avec un rendu plus chaud ou plus froid. L'identité a tenu. C'est la lumière qui a changé. La perception humaine distingue mal les deux, si bien que ça peut ressembler à une dérive alors que c'est de la physique.

Les écarts de rendu selon les origines. Les modèles actuels ne sont pas aussi bons sur tout l'éventail. Les résultats sont meilleurs pour certaines des cinq catégories d'origine que pour d'autres. C'est une propriété de la génération de modèles sur laquelle le secteur en est actuellement, pas d'une plateforme en particulier. Bon à savoir avant de créer un personnage, plutôt qu'après.

Les poses explicites sous des angles de caméra inhabituels. Les deux contraintes les plus difficiles, cumulées. Attends-toi à devoir relancer plus souvent que pour un portrait.

Ce que ça coûte, et pourquoi

Les images coûtent de 5 à 8 cœurs, le haut de la fourchette donnant une meilleure qualité.

Cet écart, c'est de la puissance de calcul. Une génération est un processus itératif : un rendu en haute qualité, qui enchaîne davantage d'étapes de débruitage, coûte sensiblement plus cher à produire qu'un rendu standard.

La facturation fait plus que couvrir ce coût. Une photo pour laquelle tu as dépensé quelque chose, c'est une photo que tu as composée. La génération gratuite et infinie produit un fil d'images. Un petit prix produit le portrait de quelqu'un.

On reconnaît un visage avant de l'examiner

Un visage incohérent casse une compagne plus vite qu'une écriture ratée.

Un texte qui tombe à côté, ça se rattrape. Un visage subtilement faux, on ne peut pas le discuter, parce que reconnaître un visage n'est pas quelque chose qu'on fait délibérément. Ça fonctionne sous l'attention consciente, et c'est extrêmement sensible à l'erreur. Une compagne dont le visage change d'une photo à l'autre n'est pas une compagne avec un bug de rendu. C'est une femme différente à chaque fois, et la part de toi qui construisait quelque chose avec elle l'enregistre avant même que tu t'en rendes compte consciemment.

C'est pour ça que l'identité est verrouillée en amont et que seule la caméra bouge. Si tu génères des images ailleurs, sur un service qui traite ton personnage comme une description à retirer au sort, sache que le Studio repose sur le principe inverse. La différence se voit sur la deuxième photo, pas sur la première.