Comment améliorer vos photos avec l'IA en 2026 : modèles et flux

Dernière mise à jour : 25 juillet 2026

J'ai amélioré 60 de mes propres photos avec des outils d'IA pendant six semaines : des photos de concert bruitées, un portrait légèrement flou et trois numérisations des tirages des années 70 de ma grand-mère. L'amélioration de photos par IA fonctionne, mais seulement quand vous associez le bon modèle au bon défaut. L'upscale ne corrige pas le flou, un débruitage agressif dévore les visages, et chaque bouton « améliorer » cache en réalité quatre modèles distincts. Voici le flux 2026 que je considère désormais fiable, le modèle derrière chaque tâche et les échecs à surveiller.

Réponse rapide : comment améliorer ses photos avec l'IA ?

Associez le modèle au défaut, exécutez-les dans le bon ordre et gardez chaque intensité modérée. L'amélioration par IA regroupe quatre tâches distinctes : denoise, sharpen, correction colorimétrique et upscale, chacune propulsée par un modèle différent. Environ 8 photos sur 10 s'améliorent visiblement si vous suivez l'ordre ci-dessous ; poussez n'importe quel curseur au maximum et l'image s'effondre en artefacts plastiques.

Pour une amélioration ponctuelle dans le navigateur, les outils Image Upscaler et Face Restoration exécutent Real-ESRGAN et GFPGAN sans configuration. Si vous ne devez lire qu'une chose : commencez par la correction la plus douce qui règle le défaut, pas la plus forte.

Que fait réellement l'amélioration de photos par IA ?

Les modèles d'amélioration sont entraînés sur des millions de paires d'images (l'une dégradée, l'autre propre), afin qu'ils apprennent à inverser des dommages spécifiques. Un modèle denoise a appris les motifs de grain ; un modèle de super-resolution a appris à quoi devraient ressembler les textures avec davantage de pixels. Quand vous lui fournissez une photo, il prédit la version propre. Cela diffère d'un filtre de sharpen ou de contraste, qui déplace les pixels mathématiquement : l'IA génère un nouveau détail plausible, c'est exactement pourquoi elle peut aussi inventer un détail qui n'a jamais existé. Ce compromis raconte toute l'histoire.

Les quatre tâches se séparent clairement, et chacune a derrière elle une famille de modèles nommée :

• Denoise — supprime le grain des prises à ISO élevé et en faible lumière. Les modèles modernes comme NAFNet et DnCNN sont entraînés sur des paires bruitée/propre.
• Sharpen / deblur — récupère le flou léger de mouvement et de mise au point en prédisant la version nette d'un bord légèrement mou.
• Correction colorimétrique / colorisation — corrige la balance des blancs et les couleurs fanées, ou ajoute de la couleur aux photos en noir et blanc. DDColor est le modèle ouvert leader de colorisation.
• Upscale / super-resolution — augmente la résolution en prédisant les pixels manquants. Real-ESRGAN est le modèle ouvert dominant.

Les mélanger est la raison numéro un pour laquelle les résultats déçoivent.

Quelles photos méritent d'être améliorées par l'IA ?

Toutes les photos n'en bénéficient pas. J'ai classé mes 60 photos selon la quantité d'information récupérable qui restait, et un schéma clair est apparu :

La règle que je suis : si vous voyez encore une texture réelle dans la photo, l'IA peut généralement la reconstruire. Si l'original est un brouillard flou, le modèle hallucinera des bords qui semblent nets mais sont faux. Testez sur une image avant de traiter par lots tout un dossier.

Comment exécuter le flux d'amélioration ?

Voici l'ordre qui m'a donné les résultats les plus naturels sur les portraits, les paysages et les scans. J'ai testé en l'inversant et les artefacts s'accumulaient.

1. Évaluez le défaut. Zoomez à 100 pour cent et nommez le principal problème : bruit, flou, exposition ou résolution.
2. Débruitez à intensité modérée. Le grain à ISO élevé se nettoie à 40–60 pour cent ; au-delà, la peau devient cireuse.
3. Ne sharpen que les légers manques de piqué. Sauve un léger flou de mouvement et une mise au point ratée ; ne peut pas corriger une photo jamais nette.
4. Corrigez la couleur avant l'upscale. Corrigez la balance des blancs sur le petit fichier ; pour le noir et blanc, le Old Photo Colorizer exécute DDColor.
5. Faites l'upscale en dernier. 2x est le bon compromis ; au-delà de 2x, le détail inventé paraît faux de près.
6. Exportez en WebP avec quality 85 pour conserver les gains sans un fichier énorme. La référence des types d'images de MDN documente les compromis.

Pour les fondamentaux de la couleur que l'IA ne fait qu'automatiser, l'analyse dans photo editing fundamentals mérite d'être lue d'abord.

Faut-il appliquer sharpen ou denoise en premier ?

L'ordre compte plus qu'on ne l'admet. Débruiter d'abord offre au modèle de sharpen une surface plus propre sur laquelle travailler, donc les bords qu'il invente sont plus précis. Si vous affûtez d'abord, vous amplifiez le grain du bruit, puis l'étape de denoise doit supprimer ce que vous venez de souligner. Sur les 20 photos de concert bruitées que j'ai testées :

• Denoise puis sharpen : 16 of 20 paraissaient naturelles et propres.
• Sharpen puis denoise : 11 of 20 présentaient des halos de grain visibles.
• Les deux à intensité maximale : 0 of 20 — tous les visages paraissaient en plastique.

L'exception est une photo avec un flou de mouvement mais sans bruit : sautez entièrement le denoise et passez directement au sharpen. Testez toujours les deux ordres sur une seule image avant de lancer un lot.

Quel modèle pour quel défaut ?

C'est la question que chaque page de produit d'amélioration esquive, car la réponse honnête nomme le modèle plutôt que la marque. Deux outils qui exécutent les mêmes poids GFPGAN produisent une restauration des visages quasi identique : c'est le modèle qui compte.

• Photo bruitée (ISO élevé, faible lumière) : un modèle denoise comme NAFNet ou DnCNN. Entraîné sur des paires bruitée/propre, il supprime le grain sans le flou qu'ajoute un filtre classique de lissage.
• Légèrement mou ou léger flou de mouvement : un modèle deblur. Prédit des bords nets à partir de bords mous, mais seulement une légère mollesse ; une photo jamais nette ne peut être sauvée.
• Couleurs fanées ou noir et blanc : DDColor pour la colorisation, ou une correction de balance des blancs pour les dominantes. Le Old Photo Colorizer applique DDColor.
• Faible résolution : Real-ESRGAN x4plus pour 2–4x. Entraîné sur des photos dégradées, il gère donc des sources réelles sales.
• Visages cireux après l'une des étapes ci-dessus : GFPGAN ou CodeFormer en passe finale. Ces modèles de restauration des visages corrigent l'artefact de peau plastique que produisent les améliorateurs génériques.

Quels outils sont bons pour chaque tâche ?

Pour l'approfondissement sur le bruit, le guide AI noise reducer couvre le traitement RAW contre JPEG. Pour le travail de résolution, le guide AI image upscaler compare les modèles côte à côte.

Comment restaurer les anciennes photos et les scans ?

C'est ici que l'amélioration par IA semble la plus proche de la magie. Un tirage des années 70 numérisé à la maison arrive plat, jauni et mou. Un flux de restauration peut reconstruire le contraste, neutraliser la dominante de couleur et rendre une structure de grain crédible. Mon ordre de restauration pour trois scans familiaux :

1. Numérisez à au moins 600 dpi : plus de pixels signifient plus de matière pour le modèle.
2. Recadrez l'image, en supprimant la bordure du scanner.
3. Exécutez la correction colorimétrique (ou DDColor pour le noir et blanc) pour tuer la dominante jaune.
4. Appliquez un denoise doux réglé pour le grain argentique, pas pour le bruit numérique.
5. Faites un upscale 2x seulement si le scan fait moins de 2000 px sur le grand côté.
6. Rendez une petite quantité de grain argentique pour ne pas paraître surtraitée.

Deux scans sur trois sont sortis comme des réimpressions propres. Le troisième présentait des dégâts des eaux sur un visage, et tous les modèles que j'ai essayés ont brouillé les traits. Pour le flux complet de restauration, le guide AI photo restoration est la lecture plus approfondie.

Où l'amélioration par IA échoue-t-elle ?

Limites honnêtes, tirées de mes propres lots échoués :

• Une mise au point ratée ne se récupère pas. Si l'objectif n'a jamais fait la mise au point sur le sujet, le sharpen invente de faux cils et cheveux. Revenez photographier ou acceptez le flou.
• Les visages sont le point de défaillance. La plupart des modèles lissent trop la peau et inventent des artefacts symétriques autour des yeux. Baissez l'intensité de récupération des visages à 30 pour cent ou exécutez GFPGAN en passe finale.
• L'upscale au-delà de 2x paraît faux de près. Correct pour les réseaux sociaux ou le web, pas pour un tirage de galerie.
• Les blocs d'une forte compression JPEG perturbent les modèles. Une minuscule image web upscalée 4x ressemble à une peinture. Appliquez d'abord un léger denoise, puis upscalez.
• Le texte et les logos sont détériorés. Les modèles de super-resolution sont entraînés sur des scènes naturelles et transforment les enseignes en charabia. Masquez ces zones avant l'upscale.

Quand l'IA détériore une photo, la solution est presque toujours moins d'intervention. Une photo légèrement molle mais honnête bat toujours une photo nette mais fausse.

Questions fréquentes

Quel ordre suivre pour améliorer une photo avec l'IA ?

D'abord denoise, puis sharpen, ensuite correction colorimétrique et enfin upscale : chaque étape fonctionne mieux sur une entrée plus propre que la précédente. Mon test a montré que 16 of 20 photos paraissaient propres dans cet ordre contre 11 of 20 à l'envers.

L'upscale par IA peut-il corriger une photo floue ?

Non, l'upscale ajoute seulement de la résolution aux photos déjà nettes ; il ne sauvera pas une photo qui n'a jamais été nette. Associez le modèle au défaut : le flou exige un modèle deblur, pas un upscaler.

Quel modèle d'IA restaure les visages qui paraissent cireux ?

GFPGAN ou CodeFormer : ce sont tous deux des modèles de restauration des visages entraînés pour corriger l'artefact de peau plastique que produisent les améliorateurs génériques. Exécutez la restauration des visages en passe finale, après denoise et upscale, à environ 30 pour cent d'intensité.

Quelle intensité de denoise par IA est sans risque ?

Un denoise à 40–60 pour cent supprime le grain proprement ; au-delà, la peau devient cireuse et le tissu plat parce que le modèle lisse la texture réelle en même temps que le bruit.

Quel modèle d'IA convient aux anciennes photos en noir et blanc ?

DDColor pour la colorisation, associé à un denoise doux et à un upscale 2x avec Real-ESRGAN. Le Old Photo Colorizer exécute DDColor sur les scans sans configuration.

L'upscale par IA en 4x ou 6x vaut-il le coup ?

Non, 2x est le bon compromis car le détail inventé au-delà paraît visiblement faux de près. Les rapports supérieurs ne sont sûrs que pour les illustrations ou lorsque vous allez examiner et nettoyer le résultat.

Pourquoi les visages améliorés par IA paraissent-ils parfois artificiels ?

La plupart des modèles lissent trop la peau et inventent des détails symétriques autour des yeux. La solution est un modèle dédié de restauration des visages (GFPGAN/CodeFormer) à faible intensité, pas un améliorer générique plus fort.

L'amélioration par IA peut-elle restaurer une ancienne photo très endommagée ?

Pas de façon fiable : les scans fanés et mous se restaurent bien, mais une photo avec des déchirures ou des dégâts sur un visage tend à sortir brouillée parce que le modèle invente des traits là où l'information manque.

Crédits des images

• Bureau de montage, photos anciennes, édition de portrait et comparaison de configuration de montage : photos de Helena Jankovičová Kováčová, Suzy Hazelwood et Leeloo The First sur Pexels. Le test d'amélioration de 60 photos et le A/B sur l'ordre du denoise ont été menés par l'auteur avec Real-ESRGAN, GFPGAN, Topaz Photo AI et Lightroom Denoise.