Préserver le style dans Image to Prompt : ce que nous avons changé, et pourquoi

Un sujet fidèle dans le mauvais style

Les retours étaient cohérents. Quelqu'un téléverse une référence, obtient un prompt, le lance, et le résultat est reconnaissablement la même scène — même sujet, même cadrage, à peu près la même lumière — mais cela ne ressemble pas à son image. La texture est plus propre. La couleur est plus riche. Quelque chose a été lissé.

Ce schéma est un indice. Lorsque le sujet et la composition survivent mais que la surface et la finition non, le prompt décrit ce qui se trouve dans le cadre plutôt que la façon dont ce cadre a été fabriqué. Ce sont deux tâches différentes, et la seconde est bien plus facile à rater.

Le style n'était qu'un élément parmi neuf

Notre instruction au modèle de vision lui demandait auparavant de saisir « le sujet, le cadre, la composition, l'objectif ou la vue, l'éclairage, la palette, les matières, l'ambiance et le style ». Cela ressemble à une checklist complète. En pratique, c'est une façon de garantir que le style ne reçoit qu'un neuvième de l'attention.

Une liste plate invite à une couverture uniforme. Mais le style n'est pas un attribut parmi neuf : il détermine comment les huit autres sont rendus. Il se trouve aussi être le plus difficile à formuler, ce qui en fait l'élément qui a le plus besoin de conseils supplémentaires — et, sur une liste de ce genre, celui qui a le moins de chances d'en recevoir.

Donnez au style un vocabulaire, pas un adjectif

Demandez à un modèle de langage de décrire le style sans lui dire de quoi le style est fait, et il ira chercher les mots les plus proches du concept : « digital art », « highly detailed », « cinematic ». Ce ne sont pas des descriptions. Elles ne véhiculent presque aucune information sur l'image spécifique qu'il a sous les yeux.

Pire, elles laissent un vide, et le modèle d'image en aval comble ce vide avec sa propre esthétique par défaut — ce qui est précisément ce que vous cherchiez à contourner. La solution consiste à nommer les axes selon lesquels le style se décompose réellement, afin que le modèle dispose d'un point d'ancrage concret.

• Médium et technique : photographie argentique 35 mm, gouache, rendu 3D, vecteur plat, dessin au trait à l'encre.
• Époque ou mouvement, qui porte souvent plus d'information qu'un simple adjectif.
• Caractère de la caméra : sensation de focale, profondeur de champ, type de pellicule, ou moteur de rendu imité.
• Facture graphique : épaisseur du trait, comportement du pinceau, qualité des contours, façon dont les surfaces se rencontrent.
• Étalonnage des couleurs et température, considérés indépendamment des couleurs qui apparaissent.
• Grain, texture et finition de surface.
• Post-traitement : halo (halation), aberration chromatique, trame de similigravure, cel shading, forte compression.

Ne jamais améliorer la référence

Celui-ci nous a surpris par son importance. Chaque modèle de la chaîne — celui qui lit l'image et celui qui génère à partir du prompt — possède un biais d'amélioration. Face à quelque chose de plat, sous-exposé, mal éclairé ou compressé, il renvoie discrètement une version améliorée.

Mais l'imperfection est un style. Une photo de soirée au flash direct, un cliché de téléphone surexposé, un scan basse résolution avec des bandes visibles : ces qualités sont généralement la raison même pour laquelle quelqu'un a enregistré l'image. L'instruction le dit désormais sans détour — si l'image est amateur, plate, de basse fidélité ou imparfaite, il faut le dire clairement et le conserver.

Si vous écrivez des prompts à la main, c'est l'amélioration la plus simple à votre portée. Décrivez les défauts délibérément.

Les mots de qualité creux ne sont pas gratuits

« Beautiful », « stunning », « masterpiece », « highly detailed », « 8k », « award-winning ». Ces mots paraissent inoffensifs, comme si l'on montait le volume. Ce n'est pas le cas. Un prompt dispose d'un budget d'attention limité, et chaque mot de remplissage en prend une part au détriment des termes qui décrivent réellement votre image.

Ils tirent aussi vers la moyenne. « Award-winning » n'a aucun sens visuel, donc le modèle le résout en ce qu'il a appris être l'apparence d'images primées — une esthétique forte et générique, éloignée de votre référence. Notre instruction interdit désormais explicitement cette liste.

Identifier le style avant d'écrire le prompt

Demander l'analyse et le résultat en une seule étape laisse le modèle traiter le style comme un simple emplacement d'adjectif à remplir avec ce qui lui vient sous la main. L'instruction se déroule désormais en deux étapes. Avant d'écrire quoi que ce soit, le modèle identifie le médium et la technique de production, puis répond à une question précise.

Nommer cette différence est toute la tâche. Une fois qu'elle est nommée, le prompt est rédigé avec le médium et le style en tête, avant le sujet — car c'est là que chaque modèle cible leur accorde le plus de poids.

Chaque modèle lit un prompt différemment

Nos instructions précédentes, propres à chaque modèle, ajustaient le ton. Les prompts Midjourney devaient être « évocateurs », les prompts GPT Image « directs et littéraux ». C'est un registre stylistique, et ce n'est pas ce qui détermine si un style survit.

Ce qui le détermine, c'est l'encodeur de texte utilisé par le modèle, la position des termes de style dans le prompt, et les contrôles natifs que le modèle expose. Ce sont des éléments concrets, et ils diffèrent bien plus que ne l'admettent la plupart des guides de prompting.

• Nano Banana et GPT Image lisent de la prose en langage naturel. Déclarez le médium dans la proposition d'ouverture, avant le sujet.
• Flux utilise un encodeur T5, gère bien les phrases longues, et ignore complètement la syntaxe de pondération telle que (term:1.2) — l'emphase doit venir de la formulation et de l'ordre des mots.
• Midjourney accorde un poids important au début du prompt, préfère des expressions denses séparées par des virgules, et ne comprend pas la négation écrite en prose.
• Stable Diffusion lit les tokens CLIP par blocs de 77 tokens et privilégie le début de chacun, donc les tags de médium et de style doivent venir en premier plutôt qu'en dernier.

Midjourney a un paramètre qui contrecarre votre description

C'est l'élément le plus utile de cet article, et ce n'est pas du tout une technique de rédaction de prompt. Midjourney applique sa propre esthétique par-dessus votre prompt, régie par --stylize, dont la valeur par défaut est 100. À ce réglage, le modèle est activement encouragé à faire ressembler l'image à du Midjourney plutôt qu'à ce que vous avez demandé.

Donc si vous convertissez une référence et que le résultat revient sans cesse plus léché, plus cinématographique et plus art-directé que votre source, aucune quantité de description ne réglera le problème. C'est le paramètre qui vous contourne.

Chaque prompt Midjourney que nous générons se termine désormais par --style raw, qui désactive cette esthétique maison, et un --stylize bas d'environ 50. Les exclusions sont exprimées avec --no plutôt qu'en prose, car la négation en prose ne fonctionne pas ici.

Pour Stable Diffusion, la moitié du prompt est le prompt négatif

Les utilisateurs de Stable Diffusion s'attendent à deux blocs : le prompt et le prompt négatif. La fidélité au style repose fortement sur le second, car c'est là que vous supprimez la dérive esthétique par défaut que le modèle appliquerait autrement.

Nous ne générions que le premier bloc, ce qui ne représentait que la moitié d'un livrable. Les prompts Stable Diffusion générés commencent désormais par les tags de médium et de style, appliquent la pondération (term:1.2) avec parcimonie aux un ou deux tags qui définissent le rendu, et incluent un prompt négatif écrit spécifiquement pour cette image plutôt qu'une liste standard copiée-collée.

Quand le format de sortie et le modèle cible ne s'accordent pas

L'outil permet de choisir un format de sortie — un prompt général, un plan structuré, du JSON — et, séparément, un modèle cible. Ces deux choix peuvent se contredire. « Ne renvoyer que du JSON valide » et « écrire des tags séparés par des virgules se terminant par des paramètres » ne peuvent pas être satisfaits en même temps.

Nous transmettions auparavant les deux instructions en laissant le modèle se débrouiller. Il s'en sortait, mais différemment à chaque exécution. Cette incohérence est invisible en tant que bug, mais très visible dans l'expérience : la même image avec les mêmes réglages produit des prompts d'un caractère sensiblement différent, ce qui donne l'impression d'une perte de style aléatoire.

La priorité est désormais explicite. Les formats libres confient l'intégralité du résultat au modèle cible et appliquent pleinement sa syntaxe et ses paramètres. Les formats structurés imposent leur propre forme, si bien que le modèle cible ne contribue que du vocabulaire et n'émet aucun paramètre.

Lire une image relève de la transcription, pas de la composition

Un petit changement à l'effet disproportionné : nous avons abaissé la température d'échantillonnage pour les outils qui lisent une image. Rédiger un prompt à partir d'une idée approximative est un acte créatif qui bénéficie d'une certaine liberté. Lire une référence se rapproche davantage de la transcription, et chaque degré de liberté y devient un degré de dérive par rapport à ce qui se trouve réellement dans le cadre.

Text to Prompt a conservé sa marge de liberté. Image to Prompt et le describer sont devenus nettement plus littéraux.

Ce qu'il faut en retenir

La plupart de ces changements sont des choses que vous pouvez appliquer manuellement, quel que soit l'outil que vous utilisez.

• Nommez le médium en premier, avant le sujet, dans chaque prompt.
• Décrivez les imperfections délibérément, car les modèles les suppriment à moins qu'on ne leur dise le contraire.
• Supprimez les mots de qualité creux ; ils coûtent de l'attention et tirent vers la moyenne.
• Sur Midjourney, utilisez --style raw et un --stylize bas avant de réécrire le prompt une fois de plus.
• Sur Stable Diffusion, considérez le prompt négatif comme la moitié du travail.
• Posez d'abord la question d'identification : qu'est-ce qui fait que cette image ressemble à elle-même ?