Passer au contenu principal

31 juillet 2026
8 min de lecture

Chargement…

Coloriser une photo en noir et blanc était autrefois un travail manuel minutieux : un artiste passait des heures à rechercher des vêtements d'époque, à assortir les tons de peau et à peindre chaque centimètre carré. La colorisation de photos par l'IA moderne fait le même travail en quelques secondes — mais comment, exactement ?

La réponse courte : un réseau neuronal devine la couleur la plus probable pour chaque pixel, en utilisant des motifs appris à partir de millions de vraies photos couleur. La réponse longue — comment le modèle voit votre photo, ce qu'il apprend et pourquoi ses suppositions sont parfois fausses — est ce que cet article couvre.

Ce que le modèle voit réellement

Une photo en noir et blanc est généralement stockée sous la forme d'un seul canal de luminosité. En termes de traitement d'image, c'est le canal de luminance (Y). Lorsque le modèle traite votre photo, il travaille dans l'espace colorimétrique YCbCr, où :

  • Y — luminance (luminosité, ce que contient votre photo en niveaux de gris)
  • Cb — chrominance de différence de bleu (à quel point un pixel est bleuté ou jaunâtre)
  • Cr — chrominance de différence de rouge (à quel point un pixel est rougeâtre ou verdâtre)

Le travail du modèle est de prédire Cb et Cr pour chaque pixel. La luminance est déjà connue — l'IA n'invente jamais l'éclairage ou l'ombrage. Elle n'invente que la couleur, et elle doit rendre cette couleur cohérente avec la luminosité existante. Un pixel sombre peut être rouge foncé, bleu foncé ou vert foncé — le modèle doit déterminer lequel.

Idée clé : la colorisation par l'IA est un problème de prédiction, pas un problème de récupération. Les couleurs originales ont disparu — le modèle fait une supposition éclairée basée sur ce à quoi le monde ressemble habituellement.

Le pipeline de colorisation

Entrée en niveaux de gris Canal Y uniquement Extraction de caractéristiques CNN ResNet / EfficientNet Prédiction de la chrominance Canaux Cb + Cr Fusion des couleurs et affinement Y + Cb + Cr → RGB Le modèle prédit Cb/Cr à partir de Y, puis reconstruit la couleur RVB complète.

Étape 1 — Extraction de caractéristiques (le CNN)

La première étape est un réseau neuronal convolutif (CNN) — la même famille d'architectures utilisée pour la reconnaissance d'objets. Au fur et à mesure que l'image passe à travers les couches convolutives, le réseau construit une hiérarchie de caractéristiques :

  1. Les premières couches détectent les motifs de bas niveau : bords, coins, gradients, bruit.
  2. Les couches intermédiaires les assemblent en textures : mèches de cheveux, tissage de tissu, pores de la peau.
  3. Les couches profondes reconnaissent les objets sémantiques : visages, ciel, herbe, vêtements, eau.

Cette compréhension sémantique est l'astuce clé. Le réseau ne colore pas les pixels de manière isolée — il identifie qu'une région est le ciel et devrait donc être bleue, ou est la peau et devrait donc se situer dans une gamme étroite de tons chauds.

Étape 2 — Prédiction de la chrominance

Une fois les caractéristiques extraites, le réseau produit une carte de chrominance : des valeurs Cb et Cr prédites pour chaque pixel, souvent à résolution réduite puis suréchantillonnées. C'est là que la magie — et les erreurs — opèrent :

  • Le modèle est entraîné à minimiser une fonction de perte qui pénalise les mauvaises couleurs, il apprend donc à choisir la couleur la plus probable étant donné le contexte.
  • De nombreux modèles modernes utilisent une perte pondérée par classe : au lieu de prédire une valeur de couleur continue, ils prédisent une distribution de probabilité sur une palette quantifiée (par exemple, 313 classes de couleurs). Les couleurs rares sont pondérées plus fortement afin que la sortie ne s'effondre pas en gris ou en sépia.
  • Parce que le réseau est récompensé pour sa plausibilité, il choisira une couleur « sûre » en cas d'incertitude — c'est pourquoi les anciennes colorisations par l'IA semblent souvent ternes, et pourquoi les nouveaux modèles ont encore du mal avec les objets inhabituels.

Pourquoi certaines photos se colorisent-elles mieux que d'autres ? Le modèle s'appuie sur le contexte. Une photo d'une personne sur une plage donne de forts indices (peau, ciel, sable). Une photo d'une machine inconnue dans un entrepôt sombre n'en donne presque aucun — le modèle doit deviner, et le résultat peut sembler plat ou faux.

Étape 3 — Fusion et affinement des couleurs

Enfin, les canaux Cb et Cr prédits sont fusionnés avec le canal Y original, reconvertis en RVB, et — dans la plupart des systèmes de production, y compris Pinin — passent par une passe d'affinement qui nettoie les débordements de couleur aux bords et restaure les détails de texture que les couches de couleur auraient pu estomper.

Pourquoi les données d'entraînement sont importantes

Un coloriseur IA n'est aussi bon que son ensemble d'entraînement. Le moteur de colorisation de Pinin est entraîné sur de grandes collections organisées de photographies couleur couvrant des décennies — ce qui est important car le film couleur lui-même a changé au fil du temps :

ÉpoqueCaractéristiques de couleur typiques
Années 1900-1930Teintées à la main, couleurs sourdes, palette limitée
Années 1940-1960Style Kodachrome : rouges saturés et chauds
Années 1970-1990Teintes plus froides, tons de peau plus neutres

Un modèle entraîné principalement sur des photos numériques modernes « modernisera » les vieilles photos. L'entraînement sur des images adaptées à l'époque aide le modèle à produire des couleurs qui semblent justes pour la période.

Colorization before Colorization after

Les limites honnêtes de la colorisation par l'IA

  • Elle ne connaît pas les couleurs réelles. La robe de votre grand-mère était peut-être bordeaux ; le modèle pourrait choisir le bleu marine parce que c'est statistiquement plus courant. Pour l'histoire familiale, traitez la couleur de l'IA comme une interprétation, pas un document.
  • Les tons de peau peuvent dériver sur les photos fortement endommagées, car les dommages perturbent les caractéristiques sur lesquelles le modèle s'appuie. L'exécution de la suppression des rayures en premier aide généralement — la matrice des dommages indique les types de dommages à éliminer avant la colorisation.
  • Les scènes rares obtiennent des couleurs génériques. Une voiture rare, un uniforme inhabituel ou un mur peint sur mesure apparaîtront souvent dans des couleurs génériques et plausibles.
  • Le texte et les détails fins peuvent baver. Les petites lettres ou les motifs complexes peuvent perdre du contraste après la colorisation.

Colorisation par l'IA vs colorisation manuelle

Colorisation par l'IAColorisation manuelle
VitesseSecondes par photoHeures à jours par photo
CoûtUn crédit par photo50 $–500 $+ par photo (professionnel)
PrécisionStatistiquement plausiblePeut correspondre aux couleurs historiques recherchées
SubjectivitéCohérente, déterministeDépend de l'artiste
Courbe d'apprentissageAucuneAnnées de pratique
Idéal pourGrandes collections, brouillons, résultats rapidesTirages d'exposition, travail de musée, couleur exacte

Pour la plupart des gens et la plupart des photos, la colorisation par l'IA est le bon outil. Si vous avez besoin d'une couleur historique exacte (par exemple, une exposition de musée), un coloriste professionnel est irremplaçable — mais pour un album de famille, l'IA vous rapproche à 90 % du résultat en 1 % du temps.

FAQ

La colorisation par l'IA est-elle précise ?

Elle est plausible, pas factuelle. Le modèle prédit la couleur la plus probable pour chaque objet en fonction des données d'entraînement. La peau, le ciel, le feuillage et d'autres sujets courants semblent généralement convaincants ; les sujets rares ou ambigus peuvent obtenir des couleurs génériques.

Pourquoi certaines photos en noir et blanc se colorisent-elles mieux que d'autres ?

La qualité dépend de la source : une résolution plus élevée, des numérisations plus propres et des scènes avec des objets reconnaissables produisent de meilleurs résultats. Les photos fortement endommagées ou extrêmement bruitées donnent moins de matière au modèle.

Dois-je corriger manuellement quelque chose avant de coloriser ?

Idéalement, oui. Exécutez d'abord la suppression des rayures, puis colorisez. Des bords nets aident le modèle de couleur à éviter les débordements de couleur sur les rayures et les déchirures. Consultez le guide de colorisation étape par étape pour le flux de travail complet.

L'IA peut-elle coloriser une photo déjà partiellement colorisée ?

Habituellement, oui — mais les résultats varient. Si la couleur existante est estompée, le modèle peut la traiter comme des niveaux de gris de toute façon. Si la photo est sépia, le modèle préserve généralement la chaleur plutôt que de deviner des couleurs entièrement nouvelles.

Essayez-le sur vos propres photos en noir et blanc

Le moyen le plus rapide de comprendre la colorisation par l'IA est de la voir sur vos photos. Téléversez une numérisation en niveaux de gris et laissez le modèle faire son travail → Colorisez une photo maintenant.

Essayez notre service de restauration de photos par IA et redonnez vie à vos souvenirs.

Commencer la restauration de photos