Agrandir une image avec l'IA
Rendez une image petite ou floue plus grande et plus nette grâce à l'IA, directement dans votre navigateur.
Chargement de Agrandir une image avec l'IA… Si rien ne se passe, activez JavaScript.
Quand vous agrandissez une image de la manière habituelle, le logiciel n'a rien de nouveau à exploiter : il étale les pixels existants sur une plus grande surface et lisse les vides, si bien qu'une miniature de 300 pixels agrandie à 1200 paraît molle, avec des contours flous et des carrés JPEG bien visibles. Un agrandisseur à base d'IA fonctionne autrement. C'est un réseau de neurones entraîné sur des millions de paires d'images petites et grandes, qui a appris à quoi ressemblent d'ordinaire des contours nets, des cheveux, du texte, des briques ou des feuilles, et qui redessine l'image agrandie avec des détails plausibles au lieu du flou. Cet outil utilise Swin2SR, un modèle ouvert de super-résolution, et l'exécute entièrement dans votre navigateur. Vos images ne sont jamais envoyées, sans compte, sans filigrane et sans limite quotidienne.
Questions fréquentes
Mes images sont-elles envoyées sur un serveur ?
Quelle est la différence entre Photo x4 et Fast x2 ?
L'agrandissement par IA peut-il retrouver des détails qui n'étaient pas dans la photo ?
Pourquoi y a-t-il une taille d'image maximale ?
Pourquoi est-ce lent sur mon ordinateur ?
Que deviennent les images PNG transparentes ?
Quel format choisir pour le téléchargement ?
Dois-je télécharger le modèle à chaque fois ?
À propos de Agrandir une image avec l'IA
Deux modes sont proposés. Photo x4 rend l'image quatre fois plus large et quatre fois plus haute (seize fois plus de pixels) avec un modèle entraîné sur de vraies photos, qui nettoie aussi les artefacts JPEG, le bruit et un léger flou : c'est le bon choix pour d'anciennes photos de téléphone, des captures d'images enregistrées de nombreuses fois ou des photos de produits trop petites. Fast x2 double la taille avec un modèle beaucoup plus léger : il est plus rapide et convient aux images déjà propres, comme les illustrations, les logos et les photos récentes qui ont seulement besoin d'un peu plus de résolution. L'image est traitée par petites tuiles qui se chevauchent puis sont fondues ensemble, ce qui garde la mémoire assez basse pour les téléphones et les ordinateurs portables et vous permet de suivre la progression et d'annuler à tout moment.
La vitesse dépend beaucoup de votre appareil. Les navigateurs avec WebGPU utilisent la carte graphique et traitent une image courante en quelques secondes ; sans elle, le modèle tourne sur le processeur, où une image de 256 pixels prend environ 15 secondes en Fast x2 et près d'une minute en Photo x4. C'est pourquoi chaque mode a une taille d'entrée maximale : sans carte graphique, 512 pixels par côté en x4 et 1024 en x2, et avec WebGPU 1024 et 2048, ce qui produit déjà des images jusqu'à 4096 pixels. Après le traitement, faites glisser le curseur pour comparer le résultat de l'IA avec un agrandissement classique, passez en taille réelle pour examiner les détails et téléchargez en PNG, WebP ou JPEG, une par une ou toutes ensemble dans un zip. Le modèle est téléchargé une seule fois depuis ce site et votre navigateur le garde pour la prochaine fois.
« Agrandissez ! » Le tour impossible préféré de la télévision
Depuis des décennies, les séries policières montrent des enquêteurs penchés sur un écran qui répètent « agrandissez » jusqu'à ce qu'un reflet flou dans une paire de lunettes de soleil devienne une plaque d'immatriculation lisible. Les ingénieurs en riaient, car le traitement d'image classique ne peut pas créer une information que le capteur n'a jamais enregistrée : les filtres de netteté ne font qu'accentuer des contours déjà présents.
L'apprentissage profond a changé la donne, mais pas comme la télévision l'imaginait. En 2014, l'article SRCNN a montré qu'un petit réseau convolutif pouvait apprendre à agrandir des images mieux que l'interpolation bicubique, et des modèles plus récents entraînés avec des pertes adverses (comme ESRGAN en 2018) ont commencé à produire des cheveux, de l'herbe et des tissus convaincants. Le hic, c'est que ces détails sont devinés à partir des données d'entraînement, pas retrouvés : deux modèles différents peuvent dessiner deux visages différents à partir des mêmes quelques pixels.
Swin2SR, le modèle utilisé ici, a été publié en 2022 et s'appuie sur le Swin Transformer, qui observe l'image à travers de petites fenêtres décalées. Sa variante pour images réelles a été entraînée sur des photos volontairement abîmées par du flou, du bruit et une forte compression JPEG, ce qui explique pourquoi il nettoie si bien les images enregistrées et partagées de nombreuses fois.