Pourquoi les modèles de diffusion laissent des coutures sur les photos de 40 mégapixels et comment donner de la mémoire aux pavés

La principale raison des artefacts sur les photos ultragéantes ne s'avère être ni un mauvais assemblage ni seulement un manque de mémoire vidéo. Le problème est plus profond : les modèles de diffusion photographique ne conservent pas de mémoire entre les fragments d'image adjacents. Quand une image de 40–150 mégapixels est divisée en dizaines ou centaines de tuiles, le modèle prend des décisions à zéro chaque fois et ne sait pas quel ton de ciel, ton de peau ou échelle de texture il a déjà choisi à proximité.

D'où l'apparition de marches dans les dégradés, de couleurs flottantes et de coutures visibles qui sont particulièrement problématiques en retouche professionnelle. L'auteur aborde le sujet non théoriquement mais à partir de la pratique : il a vingt ans de retouche et quatre ans de tentatives d'adaptation des modèles de diffusion à la production. En photographie de studio, publicitaire et journalistique, la haute résolution n'est pas un luxe mais un standard de travail, et de telles images rentrent rarement en une seule passe de génération ou d'édition.

C'est pourquoi l'industrie recourt à maintes reprises à la même technique : diviser l'image en 100 fragments ou plus, les traiter séparément puis les réassembler. Sur les petits détails cela peut fonctionner convenablement, mais sur la peau, le tissu, l'arrière-plan et les transitions lumineuses, les artefacts sont presque inévitables.

La racine du problème est que le tiling standard préserve les détails locaux mais casse la cohérence globale. Chaque tuile ne voit que son bout de scène et ne comprend pas ce qui se passe à gauche, à droite, en haut et en bas. Même si les zones voisines se chevauchent, le modèle reste capable de décaler légèrement l'équilibre des couleurs, d'interpréter le grain différemment, d'ajouter des pores non concordants ou de construire un rythme différent de la texture.

Le blending et les masques cachent certains défauts, mais n'éliminent pas la cause : le modèle photographique n'a aucun mécanisme reliant les décisions entre voisins. C'est exactement pourquoi l'assemblage parfait sur les très grands cadres reste plutôt une exception qu'une règle.

L'article suggère de regarder du côté de la diffusion vidéo, où le problème de cohérence est depuis longtemps au cœur de l'architecture. Un modèle vidéo doit se souvenir de comment l'objet paraissait dans l'image précédente pour ne pas perdre le visage, la lumière, la texture et la position des détails lors du mouvement. L'auteur décompose huit classes de telle mémoire—de BCLA dans SANA-Video et FramePack jusqu'à SVD reshape, AnimateDiff et autres approches—et évalue ce qui peut être transféré aux tuiles et ce qui ne peut pas.

La question clé ici n'est pas le nom de la méthode, mais le principe : est-il possible de forcer un modèle photographique à passer au fragment voisin un contexte compact, un état caché ou une structure de scène générale pour que les décisions ne soient pas prises dans le vide ?

Trois grandes idées pour la pratique en découlent. Première—l'échange de contexte entre tuiles adjacentes, quand le modèle reçoit non seulement le fragment courant mais aussi l'information comprimée sur les zones déjà traitées. Deuxième—une mémoire partagée au niveau des latents ou des mécanismes d'attention, qui maintient une couleur unique, un éclairage et un caractère de surface sur toute l'image. Troisième—un schéma multi-étapes où d'abord une représentation globale grossière de toute la scène est construite, puis les tuiles locales ne font que raffiner les détails sans casser l'image générale.

Pour l'impression, la publicité extérieure, la retouche beauté et la photographie commerciale, c'est critique : toute rupture de texture ou saut de ton devient immédiatement visible. La conclusion principale est simple : la limitation repose non seulement sur le matériel et non seulement sur la taille de l'image, mais sur l'architecture même de la diffusion photographique. Tant que le modèle n'apprendra pas à se souvenir de ce qui s'est déjà passé à proximité, le traitement d'images de 40 mégapixels et plus grands restera un compromis entre détail et intégrité.

Si la mécanique de mémoire de la vidéo peut être adaptée aux tuiles, les modèles de diffusion feront un pas notable du monde des démos impressionnantes vers un véritable outil professionnel pour la retouche et la postproduction.