Transformer une image en prompt IA : la méthode pour une reproduction plus fidèle

Retrouver un prompt à partir d’une image ne consiste pas à accumuler des adjectifs. Il faut traduire la composition, la lumière, le cadrage, les couleurs et la hiérarchie visuelle en consignes qu’un modèle peut exécuter.

Une IA multimodale peut décrire une image en quelques secondes. Pourtant, lorsqu’on utilise cette description pour générer une nouvelle version, le résultat ne ressemble souvent à l’original que de loin.

Le problème vient généralement de l’analyse. Une légende indique ce qui se trouve dans l’image. Une reproduction exige de comprendre pourquoi l’image prend précisément cette forme.

Une photo de rue peut montrer une personne, une voiture et des immeubles. Tous ces éléments peuvent être correctement identifiés sans que le prompt soit utile. L’identité de l’image tient peut-être au sujet placé sur le tiers droit, à un point de vue bas, à la lumière diffuse d’un ciel couvert et à un manteau rouge qui constitue la seule couleur saturée. Ce sont ces rapports qu’il faut préserver.

« Belle » est un jugement, pas une instruction

Les travaux sur l’esthétique des images distinguent généralement la qualité technique — flou, bruit, compression — de l’attrait esthétique. Le projet NIMA de Google Research ne s’est pas contenté de classer les images comme bonnes ou mauvaises : il a cherché à prédire la distribution des notes attribuées par des observateurs humains. Le goût visuel reste en partie subjectif. Google Research : NIMA

Pour préparer une reproduction, on peut lire une image sur quatre plans.

Le premier est le contenu : sujet, action, expression, vêtements, objets et relations. Repérer un manteau rouge ne suffit pas. Il faut comprendre qu’il sert de seul point fortement saturé dans un décor aux couleurs atténuées.

Le deuxième est la structure spatiale : position et taille du sujet, premier plan, arrière-plan, espace négatif, obstacles, angle de prise de vue et perspective. Un grand-angle qui amplifie les distances ne place pas le spectateur au même endroit qu’un téléobjectif qui comprime l’espace.

Le troisième regroupe les données optiques : direction et dureté de la lumière, exposition, ombres, profondeur de champ, température de couleur et réflexion des matériaux. « Lumière cinématographique douce » reste vague. « Lumière diffuse venant d’une fenêtre à gauche, créant une ombre légère sur le côté droit du visage » décrit une situation physique.

Le dernier plan concerne le style et l’atmosphère. Photographie, illustration, 3D et peinture à l’huile sont des médiums ; éditorial de mode, documentaire, publicité en studio et photo prise au téléphone obéissent à des conventions différentes. Une légère inclinaison, le grain de la peau, un flou de mouvement ou un obstacle accidentel peuvent porter davantage l’identité de l’image que le mot « photoréaliste ».

Une étude publiée en 2022 dans IEEE Transactions on Image Processing retient elle aussi le contenu sémantique, le style artistique et la composition parmi les composantes majeures de l’évaluation esthétique. Composition and Style Attributes Guided Image Aesthetic Assessment

L’essentiel n’est donc pas la quantité de détails, mais leur hiérarchie : ce que l’œil voit d’abord, ce qui soutient le point focal et ce qui peut rester en retrait.

L’inversion de prompt ne retrouve pas une phrase unique

Une image peut correspondre à plusieurs prompts. Même lorsque le texte d’origine est connu, un changement de version, de seed ou de réglage peut produire une autre image.

Présentée à la CVPR 2024, une recherche sur la Prompt Inversion décrit le problème comme une exploration d’un espace discret de prompts qui croît de façon exponentielle. Le but est d’obtenir une instruction interprétable représentant l’image, et non de deviner la phrase exacte saisie par son auteur. Prompting Hard or Hardly Prompting

Il faut commencer par les faits visibles : position, action, vêtements et objets. Les qualificatifs comme « haut de gamme », « onirique » ou « cinématographique » viennent ensuite. Quand les indices sont insuffisants, mieux vaut ne pas inventer un lieu, une identité ou un appareil photo.

On reconstruit ensuite la géométrie : emplacement du sujet, orientation du corps et du regard, organisation des plans, espace vide, recadrage et perspective. Puis viennent la source principale de lumière, l’écart d’exposition entre le sujet et le fond, les ombres, la palette, les reflets et les matières.

L’atmosphère doit elle aussi reposer sur des indices. Si l’image paraît solitaire, est-ce en raison du vide, d’un personnage détourné, de couleurs froides ou d’une faible luminosité ?

L’analyse gagne enfin à distinguer trois groupes : ce qui doit absolument rester, ce qui peut varier et ce qu’il faut éviter.

Photo de rue en plan moyen et en légère contre-plongée, par temps couvert. Une femme portant un long manteau rouge occupe le tiers droit ; son corps fait face à la rue tandis qu’elle tourne la tête vers l’appareil. Conserver un vaste espace à gauche. Le décor reste bleu-gris et peu saturé, le manteau étant la seule couleur vive. Le sol mouillé reflète faiblement la lumière chaude d’une boutique située derrière elle. Préserver la composition décentrée et la légère perspective grand-angle. Éviter le soleil dur, la pose frontale et un arrière-plan encombré.

Le prompt ne cherche pas à tout nommer. Il fixe d’abord le sujet, la composition et le rapport des couleurs, puis ajoute la caméra, la lumière et les contraintes.

JSON ou langage naturel : le contenu compte davantage que la syntaxe

JSON est parfois présenté comme un langage supérieur pour les modèles d’image. À l’inverse, ses détracteurs estiment que les accolades, guillemets et noms de champs ne font que consommer des tokens. Les deux camps surestiment le format.

L’intérêt de JSON est organisationnel. Il transforme l’analyse en cahier des charges modifiable : sujet, pose, composition, objectif, éclairage, palette et contraintes peuvent être contrôlés séparément. Il facilite la détection des oublis, les modifications ciblées, la comparaison de versions et l’intégration logicielle.

Le langage naturel est plus léger et ressemble aux exemples fournis par la plupart des éditeurs. Mais sans analyse structurée en amont, il conduit facilement à décrire le sujet et le style en oubliant la géométrie, la lumière ou les restrictions.

Si les deux formats contiennent les mêmes informations et priorités visuelles, leur différence n’est pas fondamentale. Un JSON détaillé dépasse une phrase vague parce qu’il conserve davantage de conditions de génération, pas parce que les accolades auraient un pouvoir particulier.

Ce qu’il faut supprimer, ce sont les répétitions, les hypothèses non étayées et les consignes contradictoires. Raccourcir un prompt ne justifie pas d’en retirer la composition, la lumière ou les matières.

Une méthode pratique consiste à conserver l’analyse sous forme structurée, puis à produire un texte adapté au modèle choisi. L’outil Image to Prompt de Promptsref fournit ainsi une version JSON et une version en langage naturel à partir de la même lecture visuelle.

Le choix du modèle compte dans la dernière étape

En août 2026, Midjourney, GPT Image 2 et la famille Nano Banana abordent les images de référence de façons différentes.

La documentation de Midjourney présente Image Prompts comme un moyen d’influencer le contenu, la composition et les couleurs, tout en utilisant l’image comme source d’inspiration pour une création nouvelle plutôt que comme modèle à copier exactement. Midjourney Image Prompts

Describe obéit à la même logique : l’outil propose du vocabulaire créatif et ne vise pas à reproduire précisément l’image importée. Midjourney Describe Midjourney convient donc mieux à l’exploration qu’au verrouillage de chaque détail.

GPT Image 2 accepte texte et images pour la génération comme pour l’édition. La documentation d’OpenAI précise que le modèle traite les images d’entrée en haute fidélité dans les workflows de référence et d’édition. OpenAI : fidélité des images d’entrée L’image transmet la géométrie et les textures difficiles à résumer ; le prompt indique ce qui doit rester fixe et ce qui peut changer.

Nano Banana se distingue lorsque plusieurs références ou une suite de modifications conversationnelles sont nécessaires. Google présente cette famille comme un système multimodal natif capable de générer, modifier et itérer à partir de textes et d’images. Nano Banana 2 met l’accent sur les références multiples et la cohérence ; Nano Banana Pro vise les consignes complexes et le contrôle précis. Google : génération d’images avec Nano Banana

Midjourney répond mieux à la question « que pourrait devenir cette image ? ». GPT Image 2 et Nano Banana sont mieux armés pour réduire l’écart avec une référence.

La fidélité vient des corrections successives

Même une analyse sérieuse donne rarement le meilleur résultat au premier essai. Il est plus fiable de comparer la génération et la référence par étapes : sujet et composition d’abord, caméra et éclairage ensuite, matières et détails enfin.

Corriger un ou deux écarts importants à chaque passage permet d’identifier ce qui fonctionne. Réécrire l’ensemble du prompt masque cette information.

Le texte peut restituer une grande partie de la logique visuelle d’une image, mais il ne mémorise pas chaque pixel. Les reproductions les plus fidèles viennent d’un même flux réunissant image de référence, analyse structurée et génération itérative — non de la recherche d’une phrase parfaite.