Adobe et UC San Diego testent EditAgent, un agent IA pour l'édition d’images

Adobe Research et l’université UC San Diego présentent EditAgent, un système d’intelligence artificielle conçu pour effectuer des retouches d’images d’une manière plus proche d’un professionnel utilisant Photoshop que des modèles génériques d’édition. Selon un compte rendu publié par The Decoder, l’agent évite la répétition de la même opération globale en identifiant et en mobilisant des outils spécialisés pour chaque tâche.

Le dispositif associe une stratégie de sélection d’outils à un modèle de langage standard qui choisit la meilleure variante de résultat à partir de mesures d’image. Les premiers tests montrent que l’approche fonctionne, mais elle exige un ordre de grandeur supérieur de puissance de calcul.

Un agent qui choisit l’outil adapté

Plutôt que d’appliquer de manière répétée un éditeur polyvalent, EditAgent évalue la nature de la retouche requise et décide quel outil spécialisé (par exemple pour la suppression d’objets, la correction locale ou l’ajustement des couleurs) est le mieux adapté.

Cette démarche s’apparente à la façon dont un graphiste humain passe d’un panneau d’outils à un autre selon la tâche : choisir un tampon pour réparer une zone, puis basculer vers un calque d’ajustement pour corriger la teinte. L’agent orchestre ces choix afin d’obtenir un résultat final qui, d’après The Decoder, se rapproche davantage des résultats obtenus par un professionnel.

Une sélection de variantes guidée par un modèle de langage

Après avoir appliqué des outils spécialisés, EditAgent laisse un modèle de langage standard comparer plusieurs variantes et retenir celle qui est la « meilleure » sur la base de mesures d’image. Autrement dit, la décision finale n’est pas purement heuristique, elle s’appuie sur une évaluation objective des rendus produits.

Cela sépare deux responsabilités : l’unité qui exécute les opérations d’édition (les outils) et celle qui juge la qualité des résultats (le modèle de langage évaluateur). Cette architecture vise à combiner précision opérationnelle et discernement comparatif.

Performance et facture énergétique

Les essais rapportés indiquent que l’approche est efficace, mais coûteuse en ressource. The Decoder note que le système nécessite environ dix fois plus de calcul que des méthodes comparables. Ce surcoût soulève des questions pratiques sur la vitesse, le coût d’exploitation et l’empreinte énergétique.

Il reste incertain, d’après le compte rendu, comment ce surcroît de calcul se traduit en temps de traitement sur des matériels classiques, ni quelles optimisations logicielles pourraient réduire cette différence.

Applications potentielles et limites

Si l’architecture d’EditAgent permet de produire des retouches plus fines, ses usages concrets dépendront de plusieurs facteurs : la latence raisonnable pour un flux de travail créatif, le coût en cloud pour des ateliers de production et la capacité à gérer des cas variés d’images.

L’article de The Decoder ne fournit pas de détails sur l’intégration directe d’EditAgent dans des produits commerciaux comme Photoshop, ni sur la disponibilité d’un code open source. Ces éléments détermineront en grande partie l’adoption par les professionnels et les studios.

Considérations éditoriales et éthiques

L’augmentation des capacités d’édition soulève des questions éditoriales : détection des modifications, traçabilité des retouches et attentes de transparence pour les images utilisées dans le journalisme ou la communication institutionnelle.

La complexité croissante des pipelines d’édition automatisés complique également la tâche des auditeurs d’image : des outils spécialisés enchaînés par un agent peuvent produire des corrections invisibles qui, si elles ne sont pas documentées, rendent la vérification plus difficile.

Perspectives et incertitudes

La démarche d’EditAgent illustre une direction de recherche intéressante : déléguer au système la décision sur « quel outil utiliser » au lieu de tout confier à un seul modèle universel. Cela promet des résultats plus proches d’un travail humain, mais au prix d’une plus grande dépense de calcul.

Plusieurs points restent flous dans le compte rendu de The Decoder : l’échelle exacte des gains de qualité, le comportement du système sur des images atypiques, et les contraintes d’intégration opérationnelle. Tant que ces informations ne seront pas publiées plus en détail, il est difficile d’évaluer l’impact pratique immédiat d’EditAgent.

Conclusion

EditAgent représente une tentative de rapprocher l’IA des stratégies d’édition professionnelles en multipliant les outils spécialisés et en confiant la sélection finale à un modèle évaluateur. Selon The Decoder, le concept fonctionne, mais il faudra résoudre la question du coût computationnel et clarifier les modalités d’accès avant que la solution ne soit adoptée à grande échelle.

L’évolution future dépendra des gains nets de qualité par rapport aux coûts, ainsi que des choix d’Adobe et de la communauté de recherche quant à la mise à disposition et à l’intégration de cette technologie.