RefVid
Recherche

Images initiales composées pour des vidéos produit sur plateau tournant cadrées par l’utilisateur avec un modèle vidéo commercial : une étude de cas exploratoire

Auteur
RefVid
Publié le

Statut: étude de cas d’ingénierie exploratoire ; aucune évaluation contrôlée n’a été menée (la section 11 décrit celle qui est prévue).

Résumé

Nous décrivons une interface de cadrage de produits dans le navigateur qui combine une mise en page normalisée de l’emprise au sol, des détourages tirés des photos de référence, un conditionnement par la première image d’un modèle vidéo commercial (Kling 4 reference-to-video, utilisé via fal.ai) et des pauses déterministes aux extrémités. La demande venait d’un fabricant européen de meubles disposant d’un catalogue d’environ 2 000 produits, qui souhaitait des vidéos de plateau tournant à 360° générées à partir de trois ou quatre photos de produit ordinaires et avait nommé trois défauts bloquant l’adoption : aucun contrôle sur la taille et la position du produit sur le plateau, des parties du produit dépassant le bord du plateau pendant la rotation, et un saut visible au redémarrage de la boucle. L’interface permet à l’utilisateur de régler quatre paramètres de mise en page, affiche un aperçu de la composition, la rastérise (sans les repères de l’interface) comme image de départ du clip et, après la génération, ajoute dans le navigateur des images fixes avant et après la rotation. Le contrôle par le texte seul, des instructions de mise en page numériques et des ancres de départ et de fin sur un modèle antérieur ont d’abord été essayés (Section 3). Lors de tests exploratoires, sans insu, la première image produite a suivi approximativement la mise en page composée du produit et du plateau dans 6 des 7 clips Kling 4 (les 6 avec un plateau tournant à ombrage photographique, 0 sur 1 avec un disque plat dessiné) ; il s’agit du respect de la mise en page, non d’une correspondance de l’image entière : dans les quatre clips de production, le fond dessiné a été conservé dans 3 sur 4, et le modèle l’a remplacé dans le clip du fauteuil. Dans ces quatre clips aux réglages délibérément différents, aucune partie du produit n’a été observée au-delà du bord du plateau dans les images échantillonnées, et l’écart signalé entre première et dernière image était faible. Ces observations sont encourageantes, mais peu nombreuses, adaptatives, en partie non reproductibles de manière indépendante, et n’établissent ni un taux de réussite, ni une échelle physique commune aux produits, ni un maintien sur le plateau pendant toute la rotation, ni une boucle sans raccord visible. Le réglage de taille normalise l’emprise au sol de chaque produit par rapport au plateau ; il n’impose pas d’échelle physique commune. Le client a ensuite commenté les quatre clips (fond, épaisseur et position du plateau, et une ombre ronde sous le canapé d’angle) ; l’image 0 a été révisée avec un fond de studio ajusté et l’ombre au sol propre au produit, extraite de sa photo sur fond blanc, à la place d’une ellipse dessinée (Section 5). Six clips ultérieurs avec le fond gris ajusté et des réglages fixes (Section 7.6) ont apporté une observation supplémentaire : avec l’image de départ seule, la caméra s’est rapprochée régulièrement tout au long d’un clip de lit jusqu’à ce que le plateau sorte du cadre, tandis que quatre autres meubles ont conservé le cadrage composé dans chaque image échantillonnée toutes les 0,5 s (mesures de l’opérateur) ; une reprise du lit avec la même image initiale composée envoyée aussi comme image de fin a conservé le cadrage et a effectué un tour complet. La prise avec départ seul a dérivé et la prise conditionnée par le départ et la fin non ; l’effet de l’intervention et l’origine de la variation restent inconnus. L’envoi de l’image initiale composée comme image de fin a néanmoins été développé et déployé le soir même (Section 4.4) : avec Rotation Auto ou 360°, elle est désormais envoyée automatiquement. Il s’agit d’une décision d’ingénierie, non d’une démonstration de l’effet. Une seconde paire, approximativement appariée, réalisée ensuite sur un fauteuil vert en 720p avec des réglages par ailleurs identiques et l’image de fin ajoutée par le chemin automatique, a montré la même différence : la prise supposée ne porter que l’image de départ (l’absence d’image de fin est déduite du déroulement temporel et de l’état de la page, non lue dans la requête) s’est rapprochée jusqu’à ce que le plateau sorte du cadre, la prise avec départ et fin a conservé le cadrage et a effectué un tour complet. Deux paires d’une prise par bras n’établissent pas l’effet. Deux clips, l’un avec et l’autre sans image de fin, ont atteint la pose de face 1–1,5 s trop tôt puis sont restés presque immobiles, ce qui a allongé la pause visible ; des deux clips départ = fin, l’un a atteint le seuil d’arrivée anticipée et l’autre non, de sorte que son lien avec l’image de fin reste incertain. Cinq des six clips ont été envoyés au client, dont le verdict n’a pas été reçu. Les variantes d’ombrage de la Section 5 n’ont pas été comparées.

1. Introduction

1.1 Problème et besoin du client

Entrée : trois ou quatre photos catalogue d’un même produit sur fond blanc (la vue de face en premier) et un type de produit (canapé, fauteuil, canapé d’angle, pouf, lit, autre). Sortie : une courte vidéo du produit effectuant un tour sur un plateau tournant de studio rond, caméra fixe, en 1:1, 9:16 ou 16:9.

Le client, un fabricant européen de meubles, avait réalisé plusieurs clips de plateau tournant sur une plateforme vidéo IA en libre-service et a indiqué qu’il envisagerait de l’utiliser pour une part importante d’une collection d’environ 2 000 produits si les résultats étaient réguliers et la présentation maîtrisable. Ses exigences, résumées à partir de la correspondance :

  • R1. Contrôle de la taille et de la position avant la génération, cohérent sur toute la collection. L’utilisateur prévisualise et ajuste l’échelle et la position du produit sur le plateau, et les pièces gardent des proportions cohérentes d’une vidéo à l’autre. Le client a décrit des canapés trop grands pour le plateau, pieds au-delà des bords, des canapés beaucoup trop petits, et un fauteuil qui semblait correct seul mais disproportionné à côté des canapés d’autres vidéos. La demande a été répétée lors de deux retours ultérieurs.
  • R2. Maintien sur le plateau. Chaque partie du produit reste sur le plateau pendant toute la rotation (soulevé à propos d’un canapé d’angle dont le pied arrière dépassait le bord à mi-rotation).
  • R3. Boucle. Aucun saut visible au redémarrage de la rotation ; en option, une pause d’environ 2 s après la rotation.
  • R4. Rotation fluide, sans à-coups, soulevé à propos de la lecture ralentie côté lecteur (0.5×). Une vitesse angulaire constante n’a jamais été demandée.
  • R5. Amplitude de rotation autre que 360° (270°, et un balancement : depuis la face, 90° d’un côté, retour à la face, puis 90° de l’autre côté).
  • R6. Composition propre à chaque format pour 9:16, 16:9 et 1:1 plutôt qu’un recadrage, que le client jugeait insuffisant pour les grandes pièces comme les canapés, canapés d’angle et lits.

Ce rapport traite R1–R3 ; R5 et R6 interviennent là où ils influent sur la conception.

1.2 Pourquoi c’est difficile sur un point d’accès commercial

Les photos parviennent au modèle comme références, pas comme une image de la scène. Le modèle dessine lui-même le plateau tournant, sa taille et sa position, la distance de la caméra et la taille du produit, et chaque clip est généré indépendamment. Le schéma fal de Kling 4 reference-to-video [19] liste prompt, multi_prompt, duration, start_image_url, middle_image_urls, end_image_url, image_urls, video_urls, elements, voice_ids, resolution et aspect_ratio ; aucun paramètre exposé ne porte la pose de la caméra, le sens de rotation, l’échelle physique, la graine ou le guidage. Les exigences géométriques ne peuvent donc s’exprimer que par des mots ou par des images. Nous n’avançons aucune affirmation sur les mécanismes internes de ce modèle propriétaire.

1.3 Contribution

Une intégration d’ingénierie et une étude de déploiement exploratoire, pas une nouvelle méthode de génération vidéo :

  1. Un compositeur dans le navigateur qui place le détourage du produit lui-même sur un plateau tournant dessiné et ombré de façon photographique selon quatre paramètres réglés par l’utilisateur, avec l’ombre au sol tirée de la photo du produit elle-même (section 5), en affiche un aperçu et l’envoie comme image de départ du clip (désormais aussi comme image de fin pour les tours complets, section 4.4), avec les références multivues et un prompt structuré.
  2. Un post-traitement déterministe dans le navigateur qui ajoute au clip généré des images fixes aux extrémités (pauses).
  3. Un compte rendu des alternatives qui ont échoué (formulation du prompt, texte de mise en page numérique, ancres de début et de fin et clips enchaînés sur un autre modèle, jeu de références multivues généré) et des limites de fiabilité qui restent ouvertes.

2. Termes

  • Produit : un article du catalogue (SKU). Forme : le type de produit choisi dans l’interface, qui porte une emprise au sol générique W × D en cm (section 4.3).
  • Élément : l’ensemble des photos d’un produit envoyé au modèle comme références du sujet (une image de face plus des images de référence).
  • Image initiale composée : le PNG que le navigateur produit à partir du compositeur et envoie comme start_image_url. Aperçu : la même composition à l’écran, avec un anneau de repère en pointillés que l’image initiale composée omet.
  • Première image produite : la première image décodée du clip renvoyé par le modèle.
  • Clip brut : le MP4 tel que renvoyé par le fournisseur. Clip avec pauses : le MP4 après post-traitement dans le navigateur (pauses ajoutées, clip entier réencodé).
  • Taille : la valeur du curseur (30–100%), soit le point de l’emprise au sol le plus éloigné de l’axe de rotation, en pourcentage du rayon du disque. Dans les équations, s = taille / 100, une fraction.
  • Respect de la mise en page : la première image produite montre le produit et le plateau approximativement à la taille et à la position composées, jugé visuellement. Conservation du fond : la première image produite garde le fond composé. Les deux sont rapportés séparément ; aucun ne constitue une correspondance de l’image entière.
  • Prompt v9 : la version du texte du prompt. Recette figée : la combinaison de l’image initiale composée, du prompt v9 et des pauses ajoutées dans le navigateur, adoptée après les tests locaux de la section 3.
  • Opérateur : le membre de l’équipe qui a généré et mesuré les clips ultérieurs ; « rapporté par l’opérateur » signale des valeurs dont les fichiers de mesure ne font pas partie des éléments que nous avons pu revérifier.

3. Comment la méthode a été obtenue

3.1 Récit

Point de départ. Les premiers essais du client lui-même étaient cinq clips sur trois modèles, réalisés à partir de captures d’écran d’une boutique en ligne prises sur téléphone (barre d’état, barre d’adresse et barres d’outils comprises, le meuble petit dans une haute image blanche ; deux jeux contenaient aussi des gros plans de détail). Examinés à raison d’une image toutes les 0.5 s, deux des trois clips Kling 4 montraient déjà des tours complets nets ; les problèmes étaient la taille sur le plateau (un canapé aussi large que le plateau, voire plus, un fauteuil remplissant l’image comme le ferait un canapé, un lit minuscule sur un grand plateau), la cohérence entre pièces, un lit qui ne pivotait que d’un côté et, dans un clip, une coupe vers un gros plan d’accoudoir avec un nombre de pieds changeant. Nous avons attribué la coupe vers le gros plan aux photos de détail ; c’est une lecture d’un seul clip, pas une cause testée. Les entrées ont ensuite été préparées en recadrant les captures sur le meuble avec une marge d’environ 8% et en écartant les gros plans de détail. Sur les exemples de modèles (templates) de la plateforme elle-même, un clip de chaussure (Kling 3.0 Omni) a pivoté d’environ 75° avant de revenir, et un clip de figurine a tourné d’environ 270° puis coupé vers un gros plan, alors que le prompt demandait un 360° complet. Dans les clips examinés, le cadrage de la caméra était stable au sein d’un clip (largeur du plateau 80.9–81.1% de l’image ; le bord supérieur du produit s’est déplacé de 1.9%, son centre de 3.3%), ce qui désignait l’image 0 comme point de contrôle. Un recadrage central 9:16 d’un clip 1:1 coupait jusqu’à 28.3% du produit (R6). Tous les clips mesurés étaient à 24 fps (Kling 4, Kling 3.0 Omni, PixVerse C1). Une décision initiale a été prise de ne pas développer de contrôle manuel de la taille et de la position et de s’appuyer plutôt sur des valeurs par défaut dans le prompt ; elle a ensuite été annulée.

Point de départ : exemple de modèle et recadrages
Figure 1. L’exemple de modèle Plateau tournant de la plateforme elle-même (chaussure, Kling 3.0 Omni, 5 s) aux images 0–120 : il pivote d’environ 75° puis revient au lieu d’effectuer un 360° complet ; en dessous, recadrages centraux 9:16 et 16:9 du clip 1:1 à l’image 111, où le recadrage 9:16 coupe le talon et la pointe de la chaussure.

Prompt v1 : réglage de rotation et cadrage par défaut. Un réglage Rotation et des valeurs par défaut composées côté serveur (« the whole product stands fully on the turntable … centred … fills most of its surface; the camera is locked off ») ont été déployés sans test contrôlé. « Fills most of its surface » fait remplir le plateau à chaque produit, ce qui contredit la seconde moitié de R1. La proposition initiale pour cette étape était déjà de composer la première image, avec une option distincte pour une échelle physique commune (une largeur de plateau fixe en cm et la largeur réelle de chaque produit) ; cette dernière n’a pas été développée.

Ralenti fluide et amplitude de rotation par montage (tests locaux). L’interpolation d’images (minterpolate de ffmpeg) a réduit d’environ 4× l’erreur sur les images retenues hors échantillon par rapport à une simple demi-vitesse, avec des artefacts là où des parties se croisent ; la sortie interpolée a été rejetée, et la réponse à R4 est devenue un clip plus long à la fréquence d’images native du modèle. Pour R5, Swing et 270° ont été découpés dans un clip 360° existant sans nouvelle génération : les raccords au demi-tour étaient nets (0.90–0.91× un pas d’image normal), mais le raccord de retour à la vue de face sautait de 2.28× un pas normal et nécessiterait une image de meilleure correspondance et un fondu sur 2–3 images ; de plus, découper une amplitude ne fonctionne que sur un clip qui tourne réellement à 360° en continu, ce que le modèle ne garantissait pas. L’amplitude de rotation a donc été livrée sous forme de phrase dans le prompt, et la séquence en mouvement est depuis restée générée par le modèle.

Versions de prompt v2–v8. Les v2–v7 étaient des propositions et des brouillons, non générés. La v8 a été testée en production : un lit avec Swing (Kling 3.0 Omni), un canapé bleu (Kling 3.0 Omni et Kling 4), un canapé crème et un fauteuil vert (Kling 4), 720p, 10 s, 1:1 (figure 2). Les instructions numériques (écart de 5% au plateau, marges de 5% dans l’image) n’ont été suivies par aucun des deux modèles ; Kling 3.0 Omni a dessiné un grand plateau et Kling 4 un plateau plus large que l’image. La même phrase « first reference orientation as 0° » a été suivie pour le canapé bleu (Kling 4) et pas pour le fauteuil, qui a commencé sur le dos du siège. Les six photos de référence du canapé crème montraient deux configurations du même canapé, et la vidéo a changé de configuration à mi-rotation ; des références incohérentes sont un facteur plausible de tels changements. Une prise de suivi du fauteuil (T4b), avec les photos réduites de cinq à quatre (face, côté, arrière de côté, arrière), toutes placées dans l’élément avec la vue de face comme image frontale, a commencé de face et effectué un tour complet et continu jusqu’à revenir de face. L’explication provisoire consignée à l’époque était que, dans la prise précédente, la cinquième photo (arrière) avait été transmise comme image de référence distincte plutôt que dans l’élément. Une seule paire de clips ; ce n’est pas concluant, mais cela suggère que l’acheminement des références, et pas seulement le respect des phrases, a influé sur la pose de départ.

Tests du prompt v8
Figure 2. Les six clips de test du prompt v8 (720p, 10 s, 1:1, sans image initiale composée) à 0, 1.5, 3, 4.5, 6, 7.5 et 9 s et à l’image 240 : Kling 3.0 Omni dessine un petit produit sur un grand plateau, les plateaux de Kling 4 atteignent les bords de l’image ; T4 (cinq photos) commence et finit sur le dos du fauteuil, T4b (quatre photos) commence et finit de face ; les coussins du canapé crème (T3) changent entre la vue de face et la fin.

La collection du client. Le client a ensuite envoyé cinq pièces (fauteuil 85 × 85 × 82, canapé 240 × 94 × 82, pouf 105 × 60 × 47, canapé d’angle 240 × 200 × 82, lit 210 × 163 × 123 cm) avec 3–4 photos chacune, 16 en tout, ainsi qu’une fiche de dimensions. Toutes sont des détourages sur blanc d’environ 1200 × 800 px ; les photos du pouf sont des rendus 3D, où le pouf ne remplit qu’environ 45% de l’image ; le fauteuil, le canapé et le lit n’ont pas de vue arrière droite (le fauteuil et le canapé ont une vue de trois quarts arrière ; le lit n’a aucune vue de l’arrière de la tête de lit) ; les photos du canapé d’angle présentent un léger vignettage gris au lieu d’un blanc pur et montrent la méridienne à droite sur toutes les vues ; la literie du lit est disposée différemment d’une photo à l’autre. Dans ce rapport, « photos produit ordinaires » désigne ces images de catalogue, et les affirmations de fidélité se limitent à ce qu’elles montrent. Les emprises au sol génériques de cinq des six formes de la section 4.3 (toutes sauf « autre ») sont les dimensions de ces pièces.

Couches de prompt cachées. Les produits ont été générés en production (Kling 4, 1080p, 1:1, 10 s) tout en modifiant des couches de prompt côté serveur : v1 « never reverse » ; v2 a retiré « axis » et ajouté une phrase sur un disque plat après une prise montrant un poteau blanc sous l’assise ; v3 « frame 1 shows the product at exactly 0° » ; v4 une nouvelle phrase Swing. Avec la v3, le fauteuil, le canapé, le pouf et le canapé d’angle ont commencé de face et effectué un tour sans poteau. Le lit a échoué deux fois, et ses photos se contredisaient. Peu avant, le client s’était vu dire que le dimensionnement manuel n’était pas recommandé. Quatre de ces clips ont été livrés et constituent la référence de la section 7.2 ; la réponse du client a soulevé l’échelle, le saut à la fin et le canapé d’angle dépassant du bord.

Analyse des mécanismes, une promesse excessive et sa correction. Une réponse à ce retour promettait une dernière image identique, une pause, un plateau tournant redimensionné et de nouvelles versions. À l’examen, aucun de ces points n’était garanti par un mécanisme disponible, et une correction a été envoyée, indiquant que des proportions exactes entre produits, le maintien sur le plateau pendant toute la rotation et une dernière image identique à la première ne pouvaient pas être garantis. Deux règles de travail ont été fixées : répondre à une exigence non satisfaite en trouvant un mécanisme plutôt qu’en multipliant les prises d’essai, et juger les résultats uniquement au regard des mots du client lui-même. L’analyse a dégagé deux voies : un rendu à partir d’un modèle 3D (voie A), ou contraindre la vidéo par des images composées (voie B). Une évaluation interne, avec ses propres niveaux de confiance, a conclu que le texte ne peut garantir ni l’échelle, ni le maintien sur le plateau, ni une boucle exacte (élevé) ; qu’une image initiale composée peut fixer l’image 0 (élevé) ; que l’échelle après l’image 0 relève du comportement du modèle (moyen, non vérifié) ; et que des pauses exactes nécessitent un post-traitement. Le client a demandé à poursuivre les tests et a de nouveau demandé une taille réglable par l’utilisateur et une pause de 2 s. Notre réponse s’est engagée sur les deux : une option pour régler la part de l’image occupée par le produit, afin que chaque produit commence à une taille cohérente, avec la réserve que la taille peut encore varier pendant la rotation et l’affirmation qu’une régénération produirait généralement un meilleur résultat ; et une pause de 2 s après le tour complet. Il s’agissait d’engagements pris dans la correspondance, pas de conclusions techniques validées ; en particulier, l’affirmation sur la régénération ne reposait sur aucun taux mesuré.

Jeu de références à quatre vues généré. Une génération en production sur Kling 4 reference-to-video (720p, 10 s, 1:1) a utilisé quatre images multi-angles générées du canapé d’angle comme un seul jeu de références du sujet (la première comme image frontale, les autres comme images de référence), sans image de début, de fin ni intermédiaire. Le corps de la requête d’origine n’était pas disponible ; la reconstitution s’appuie sur l’enregistrement stocké et le code actuel. Le prompt stocké demandait déjà 90° par quart, une vitesse constante, aucune inversion, une structure inchangée et un retour à la face, et disait aussi « the spin never stops » et « zero dwell », ce qui contredit la pause demandée. Vers 8 s, la jonction entre la longue assise et la méridienne présentait un coude visible qui se redressait vers la vue de face, c’est-à-dire une dérive structurelle (pas une mesure d’angle) ; la première et la dernière image étaient toutes deux proches de la face, mais le bord extérieur de la méridienne et les pieds avant ne coïncidaient pas (différence absolue moyenne de gris sur l’image entière 2.1), il ne s’agit donc pas d’une boucle sans raccord vérifiée ; aucun pied n’a été vu au-delà du bord du plateau dans les images échantillonnées. La cohérence géométrique des quatre vues d’entrée n’avait pas été vérifiée, si bien que l’incohérence des entrées et la dérive du modèle ne peuvent être distinguées. Par ailleurs, quatre images clés générées avec un modèle d’image présentaient des différences de proportions et de détails d’un angle à l’autre et n’ont pas été soumises à un modèle vidéo.

Jeu de références à quatre vues généré et résultat
Figure 3. Les quatre vues de référence générées du canapé d’angle, le clip produit à chaque seconde (toutes les 0.5 s à partir de 8 s), et ses première et dernière images avec leur différence : toutes deux sont proches de la face, mais la méridienne et les pieds avant ne coïncident pas (moyenne sur l’image entière 2.1 niveaux de gris).

Ancres composées et quarts de tour enchaînés sur Kling 3.0 Omni. Sur un fauteuil vert avec cinq photos cohérentes (Kling 3.0 Omni, 720p, sans son, 1:1), trois conditions de trois clips chacune : A, la requête de production (référence) ; B, A plus une image de face composée envoyée à la fois comme start_image_url et end_image_url ; C, quatre clips de 3 s enchaînés, chacun commençant sur la dernière image du clip précédent et finissant sur une vue composée du côté suivant (la vue à 270° était la photo de côté retournée). Avant tout nouveau clip, neuf clips existants (modèles, prompts et produits mélangés) ont été notés : 8 sur 9 ont fait le tour complet, seuls 3 sur 9 se raccordaient à moins de 2× un pas d’image normal (rapports de raccord sur un recadrage central), et seul T4b remplissait à la fois les critères de rotation, de départ de face, de raccord et d’absence de changement. Le notateur a été calibré sur T4 et T4b : une mesure de régularité de la rotation a distingué la rotation régulière de T4b (plus grand écart 0.36 s) de celle de T4, partie de l’arrière (1.38 s) ; les rapports de raccord sur l’image entière étaient de 0.49 et 0.88, inférieurs aux valeurs sur recadrage central de l’analyse précédente pour les mêmes clips (1.0 et 1.5), de sorte que les deux mesures ne sont pas interchangeables ; et Kling 4 dessinait le fauteuil à environ 73–75% de la largeur de l’image contre 45% pour sa taille réelle sur un plateau de 150 cm. Neuf vidéos finales sont issues de 18 appels au fournisseur (A 3, B 3, C 12), soit 96 secondes générées. Des seuils de réussite ont été rédigés avant la première étape ; un seuil de raccord absolu et une métrique d’inversion ont été ajoutés ensuite (section 7.4). Résultats : largeur du produit dans l’image 0 à moins de 0.7% de la valeur composée dans les six clips B et C, alors que A variait de −21% à +18% et qu’un clip A a grandi de 44% pendant la rotation ; dernière image par rapport à la première 1.9–2.1 niveaux de gris pour B et 3.5–4.5 pour C, contre 7.2–21.8 pour A ; aucun pied au-delà du bord sur 16 images à l’œil dans les neuf ; un clip sur trois dans chaque condition s’est inversé ou a dépassé sa cible (dans les bandes, des vues se répètent dans le désordre : un clip de référence est revenu de face à 5 s et finit sur son dos ; un clip B et un clip C montrent une vue presque de face suivie d’une vue de côté avant de finir de face). Le travail sur ce modèle a été arrêté ; une troisième étape proposée (sens nommé dans chaque segment) n’a pas été menée. Rendre la vidéo « non générée par le modèle », en collant le produit sur un plateau dans chaque image ou en remplaçant des images, a été écarté.

Expérience d’ancrage, étape 1
Figure 4. Expérience d’ancrage, étape 1 (Kling 3.0 Omni, 720p) : en haut, les quatre vues d’ancrage composées (face, côté, arrière, côté retourné) ; en dessous, un clip par condition à 11 instants régulièrement espacés. La condition A (requête de production) grandit pendant la rotation ; la condition B (image de face composée comme image de début et de fin) et la condition C (quatre clips de 3 s enchaînés) conservent la taille composée et finissent de face.
Expérience d’ancrage, inversions de l’étape 2
Figure 5. Les trois clips de l’étape 2 signalés par la métrique d’inversion, un par condition, à 13 instants régulièrement espacés : le clip de la condition A est revenu de face à 5 s et finit sur son dos ; le clip de la condition B montre une vue presque de face à 6.66 s suivie d’une vue de côté à 7.49 s, et le clip de la condition C une vue presque de face à 7.99 s suivie d’une vue de côté à 8.99 s ; tous deux finissent de face. À cet échantillonnage, les bandes montrent des vues qui se répètent dans le désordre, pas le sens du mouvement lui-même.

Voie 3D (conçue, non menée). Les sources envisagées étaient les modèles 3D du client lui-même, ou une génération image-vers-3D à partir des photos avec un petit budget de démonstration. Une demande de fichiers 3D a été rédigée et non envoyée. Raisons consignées pour ne pas la mener : les rendus ne correspondraient pas aux vrais tissus, les modèles générés à partir de photos comportent une géométrie devinée et un éclairage figé dans la texture, et il s’agit d’une autre gamme de produits.

Ligne de mise en page numérique seule, Kling 4. Une voie par le prompt seul a d’abord été essayée pour éviter le coût du détourage : une ligne Layout avec les quatre réglages sous forme de nombres. Dans une prise de production, les nombres n’ont pas été suivis. Une étape de composition ffmpeg côté serveur, censée ajouter les pauses, a perdu les images fixes ; les pauses ont été déplacées dans le navigateur.

Prompt v9. La v9 a fusionné un brouillon à lignes étiquetées (Scene, Layout, Rotation, Camera, Motion, Product ; mise en page toujours envoyée ; vitesse constante ; image finale égale à l’image 1 ; produit rigide) avec la couche v4 côté serveur qui était active en production (image 1 à 0°, de face, rotation rigide autour du centre du disque, jamais d’inversion, minutage par quarts avec la vue arrière à mi-parcours, Swing ne montrant jamais l’arrière, disque plat dont rien ne s’élève, disque horizontal et en place). Une couche v4 enregistrée en production prévaudrait sur les phrases de rotation et de mouvement de la v9, si bien qu’une version de couche vide devait être enregistrée juste après le déploiement. Il n’est pas consigné si et quand cette réinitialisation a été faite. Tant que ce point n’est pas établi, on ignore quelles phrases de rotation et de mouvement chaque génération de production ultérieure (sections 7.3 et 7.6) a réellement reçues ; le texte de l’annexe A est la v9 telle que le code la construit, pas un enregistrement de ce qui a été envoyé.

Image initiale composée sur Kling 4 (en local, trois prises). Sur un déploiement local appelant les vraies API, avec un élément constitué des trois photos de fauteuil du client (la vue de face en premier), Kling 4 reference-to-video 720p, 10 s, 1:1, taille 50%, plateau tournant 76%, centre 56%, épaisseur 3%, sens horaire :

  • Prise 1 (ellipse plate dessinée et ombre). Le journal des requêtes du fournisseur montrait l’image reçue comme start_image_url à côté de elements ; la première image produite était la composition propre du modèle (un grand fauteuil sur un grand disque). La rotation elle-même était complète.
  • Prise 2 (une seule intervention visuelle : disque redessiné comme une photographie de studio, avec tranche ombrée, dessus éclairé, fond s’assombrissant et ombrage sous l’emprise au sol ; même point d’accès, même prompt et mêmes réglages). La sortie a commencé sur l’image initiale composée, et le fauteuil a conservé sa taille pendant la rotation et a fini de face.
  • Prise 3 (révision groupée, trois changements à la fois : une ombre de contact serrée, une nouvelle ligne Motion dans le prompt demandant une vitesse constante dès l’image 1, et des pauses réalisées dans le navigateur). Départ sur l’image initiale composée, taille conservée, arrière à 5 s, face à la fin, SSIM première/dernière image 0.98 ; fichier avec pauses de 12.12 s (durée du conteneur) dont les 2 dernières s sont fixes. Le résultat de la prise 3 ne peut être attribué à aucun de ses trois changements en particulier.

La prise 3 a été adoptée comme recette figée, et la régularité de la vitesse de rotation a été abandonnée comme objectif, le client ne l’ayant pas demandée.

Prises locales 1-3
Figure 6. Prises locales 1–3 (Kling 4, 720p, fauteuil, taille 50%) : image 0 composée, image 0 produite, 2.5, 5 et 7.5 s et fin de la rotation. Avec le disque plat dessiné (prise 1), la sortie commence sur un grand fauteuil sur un grand disque ; avec le disque ombré (prises 2 et 3), elle commence sur le petit fauteuil composé et conserve cette taille pendant la rotation.

Mise en service, clips de production et retours. Une revue par parcours complet avant la mise en service a conduit à : Cadrage personnalisé lié à Kling 4, mémorisation de la forme par produit, le bouton de détourage sur la scène, des lignes de coût mentionnant le détourage, une étiquette de durée indiquant la pause, un avis pendant l’ajout des pauses, et des libellés plus clairs ; les préréglages nommés et une file de traitement par lots ont été reportés. Un clip de production demandait le sens antihoraire et a tourné dans le sens horaire, si bien que le sens a été masqué. Un clip avec pauses cessait de jouer lorsqu’il remplaçait le clip brut dans le même lecteur ; cela a été corrigé. La page de détails a gagné une superposition de l’image initiale composée réelle du clip, remplaçant un ancien dessin schématique au trait. Quatre clips de production avec l’image initiale composée (section 7.3) et un tutoriel du studio ont été envoyés au client. La réponse du client a apporté un retour positif limité sur des points précis (selon notre résumé : le résultat proche de ce qu’il souhaite, le diamètre du plateau correct, la pause de 2 s qui fonctionne) ainsi que quatre corrections : l’ombre du canapé d’angle était ronde au lieu de suivre sa forme ; le même plateau mince devait être utilisé dans chaque vidéo ; le produit devait être à la même position à l’écran dans chaque vidéo ; et le fond du clip du fauteuil devait être utilisé pour toute la collection. Il a aussi envoyé des photos d’un second modèle de lit et en a demandé la vidéo. Ce n’est pas une acceptation, et cela ne concerne pas les clips ultérieurs.

Ombrage de l’image 0 et clips refaits. L’après-midi même, l’image 0 a été révisée (section 5) : un fond de studio sélectionnable ajusté au clip du fauteuil, la suppression de l’ellipse dessinée et une ombre au sol extraite de la photo. Six clips refaits ont suivi, avec des réglages fixes et le fond ajusté (section 7.6). Le plan prévoyait quatre nouveaux clips (le second lit, le canapé d’angle, le canapé et le pouf), sans reprise du fauteuil, une prise chacun ; six ont été réalisés : les quatre prévus, un fauteuil et une seconde prise du lit. La reprise du lit découlait de la dérive de la première prise du lit et changeait une seule condition (l’image de fin) ; la raison de la reprise du fauteuil n’est pas consignée. La prise du lit qui a dérivé a été générée mais pas livrée, de sorte que la sélection entre prises a ajouté un coût. Après la paire de lits, l’envoi de l’image initiale composée comme image de fin pour les tours complets a été développé et déployé (section 4.4), et cinq clips ont été envoyés au client avec les étapes à suivre en libre-service. Son verdict est en attente.

3.2 Chronologie

Date (2026)ÉtapeNatureRésultat
11-05 au 11-06Les cinq clips du client lui-même ; exigences R1–R6 ; examen des clips et préparation des entréesclips du client, retours, examen localla taille et la cohérence étaient les principaux problèmes ; deux clips Kling 4 faisaient déjà un tour complet
11-06Mesures des clips de modèles (templates) ; tests d’interpolation et de découpe d’amplitude ; prompt v1 avec réglage Rotationtests locaux, livrécadrage stable au sein d’un clip ; interpolation rejetée ; la découpe exige un vrai 360°
11-07Prompt v2–v8 ; tests de la v8 et paire T4bgénéré (6 clips)texte numérique non suivi ; l’acheminement des références a influé sur la pose de départ
11-09Collection reçue et inspectée ; couches de prompt cachées v1–v4généréquatre pièces ont fait un tour depuis la face ; échec du lit
11-10Référence livrée ; retours du client ; analyse des mécanismes ; clip à quatre vues de référencegénéré, retours, analyseéchelle, saut final, maintien sur le plateau soulevés ; dérive structurelle avec les vues générées
11-11Expérience d’ancrage sur Kling 3.0 Omnigénéré (9 vidéos)taille de l’image 0 tenue avec les ancres ; 1 sur 3 inversé par condition ; arrêté
11-12Correction des promesses antérieures ; demande renouvelée ; ligne Layout numérique ; prompt v9 ; prises locales 1–3 ; image initiale composée livréegénéré, livrénombres non suivis ; image initiale composée ombrée suivie, la plate non
11-13 matinQuatre clips de production ; tutoriel envoyé ; corrections du clientgénéré, retoursmise en page suivie, fond 3 sur 4 ; quatre corrections
11-13 après-midiAjustement du fond, suppression de l’ellipse, ombre extraitelivréaucune génération à ce stade
11-13 soirSix clips refaits ; image de fin automatique ; cinq clips envoyésgénéré, livréune dérive avec image de début seule ; la reprise début = fin n’a pas dérivé ; verdict en attente

4. Méthode finale

4.1 Vue d’ensemble

Chaîne de traitement de la méthode finale : les photos du produit deviennent un élément et un détourage avec une ombre au sol extraite ; le navigateur compose l’image 0 à partir des réglages de l’utilisateur ; l’image initiale composée est téléversée et envoyée avec l’élément et le prompt v9 à Kling 4 reference-to-video sur fal ; le clip brut reçoit des images fixes ajoutées dans le navigateur du propriétaire, et le clip avec pauses le remplace.

4.2 Parcours utilisateur

Dans le modèle (template) Plateau tournant, l’utilisateur coche Cadrage personnalisé, ce qui bascule le modèle sur Kling 4. La scène vide devient un dessin en direct du plateau tournant avec une silhouette générique de la forme choisie. L’utilisateur lance le détourage (facturé une fois par photo, remboursé en cas d’échec, réutilisé ensuite) ; le détourage remplace la silhouette. Quatre curseurs avec champs numériques modifient l’aperçu en direct : taille sur le plateau, largeur du plateau tournant dans l’image, épaisseur du plateau tournant, hauteur du centre du plateau tournant ; un choix Arrière-plan bascule entre Clair et Gris studio (section 5.1). La rotation et les pauses sont hors de Cadrage personnalisé et ne coûtent rien. Si Cadrage personnalisé est coché sans détourage, et que l’utilisateur n’a fourni ni sa propre première image ni une continuation d’un clip antérieur, la génération est refusée avec une invitation à lancer le détourage ; avec une première image propre ou une continuation, elle se poursuit sans l’image initiale composée. La rangée de photos du studio affiche toujours une vignette Première image et une vignette Dernière image : vide, une vignette est un bouton de téléversement ; avec Cadrage personnalisé et un détourage, la vignette Première image montre l’image initiale composée, étiquetée « Début auto », et avec Rotation Auto ou 360°, la vignette Dernière image la montre aussi, étiquetée « Fin auto ». Un appui sur une vignette auto permet à l’utilisateur de choisir plutôt sa propre image. Après la génération, la page de détails liste les réglages envoyés et propose une superposition de l’image initiale composée réelle sur la vidéo, de sorte que la superposition compare le vrai détourage avec la sortie (figure 10). Les figures 7, 8 et 10 sont tirées d’un tutoriel du studio enregistré avant l’existence du choix Arrière-plan.

Panneau de réglages du studio avec Cadrage personnalisé
Figure 7. Le panneau de réglages du studio dans le tutoriel : Cadrage personnalisé coché, forme Fauteuil, les quatre curseurs (taille 91, plateau tournant 76, épaisseur 3, centre 56) et l’aperçu en direct avec l’anneau de repère en pointillés ; le texte du prompt est flouté, et la légende en bas est incrustée dans le tutoriel.
Séquence de l’aperçu en direct
Figure 8. L’aperçu de la scène dans le tutoriel du studio à sept moments : silhouette de la forme, détourage en cours, détourage placé, puis modification de la taille, de la largeur du plateau tournant, de l’épaisseur et de la hauteur du centre (étiquettes taille / largeur / épaisseur / centre en %, lues sur la ligne récapitulative sous la scène).
Rangée de photos avec les vignettes automatiques de première et de dernière image
Figure 9. La rangée de photos du studio (mise en page en largeur de téléphone, rangée montrée en entier ; 2×), modèle Plateau tournant avec Cadrage personnalisé activé et les cinq photos du fauteuil vert chargées : les boutons d’élément et de téléversement, puis les vignettes « Début auto » et « Fin auto » remplies avec l’image 0 composée.
Superposition des réglages sur la page de détails
Figure 10. La superposition des réglages de la page de détails : l’image initiale composée dessinée par-dessus le clip au début (lecteur 0:00), en transparence par-dessus le fauteuil tourné à mi-rotation (0:07), et par-dessus la fin de la rotation (0:09).

Saisie numérique. Jusqu’à une correction le matin de la livraison des clips de production, un champ numérique bornait chaque frappe, si bien que taper « 60 » dans Taille (30–100) donnait 100. Les clips de production de la section 7.3 ont été réalisés avant la correction ; leurs réglages consignés sont les valeurs envoyées, de sorte que le défaut a pu affecter ce que l’utilisateur voulait, pas ce que dit l’enregistrement, et il n’est pas consigné si l’une de leurs valeurs a été tapée plutôt que réglée au curseur.

Les réglages sont conservés sur le compte : les paramètres du plateau tournant sont communs à toutes les formes ; la taille et les pauses sont conservées par forme ; la forme de chaque produit est conservée par élément.

4.3 Composition

  • Scène. Centre du disque (300, 400) en unités SVG, rayon r = 210, vu à 14° au-dessus de l’horizontale (inclinaison = sin 14°, choisie d’après les propres clips de plateau tournant du modèle).
  • Vue. Largeur de l’image = 2r × 100 / (largeur du plateau tournant en %) ; hauteur = largeur / rapport d’aspect ; le centre du dessus du disque se situe au pourcentage de hauteur du centre dans l’image. Chaque rapport d’aspect a sa propre composition (R6).
  • Disque. Hauteur de la tranche = épaisseur % × 2r × cos 14° ; tranche ombrée, dessus éclairé avec un reflet à l’avant, un fond (Clair : un dégradé qui s’assombrit vers le sol ; Gris studio : section 5.1) et l’ombre propre du disque au sol. À l’origine, une ellipse floutée de l’emprise au sol était aussi dessinée sous le produit comme ombre de contact ; elle a été supprimée, et l’ombre au sol du produit, lorsqu’elle est disponible, est désormais extraite de sa photo (section 5).
  • Échelle du produit. k = r × s / sweep (s en fraction), avec sweep = √((W/2)² + (D/2)²) la distance de l’axe au coin le plus éloigné de l’emprise au sol et W × D l’emprise au sol générique de la forme (canapé 240 × 94, fauteuil 85 × 85, canapé d’angle 240 × 200, pouf 105 × 60, lit 163 × 210, autre 100 × 60 cm). Le détourage est dessiné sur une largeur W·k, centré sur l’axe, sa base sur le bord avant de l’emprise au sol.

Ce que la règle d’échelle fait et ne fait pas. Chaque forme reçoit son propre facteur k de pixels par centimètre, si bien que la règle contrôle l’occupation normalisée de l’emprise au sol : à s = 100%, le coin le plus éloigné de l’emprise au sol atteint tout juste le bord du disque lorsqu’il passe devant, pour chaque forme. Elle ne préserve pas l’échelle physique d’un produit à l’autre. Doubler à la fois W et D laisse la largeur dessinée inchangée pour une même valeur du curseur. À s égal, les largeurs dessinées du fauteuil, du pouf et du canapé sont dans le rapport 297 : 365 : 391 unités SVG (1 : 1.23 : 1.32), alors que leurs largeurs réelles sont 85 : 105 : 240 cm (1 : 1.24 : 2.82). Les proportions entre produits (les « proportions cohérentes » de R1) sont donc laissées au choix manuel de s par forme par l’utilisateur. Une véritable échelle de catalogue nécessiterait un diamètre physique de plateau commun ou un facteur de pixels par centimètre commun, plus les dimensions réelles de chaque SKU ; les dimensions par produit seules, injectées dans la même normalisation, n’y parviendraient pas.

  • Sortie. Le SVG est cloné sans l’anneau de repère, sérialisé, dessiné sur un canvas dont le grand côté mesure 1 280 px et exporté en PNG. L’image initiale composée a donc la même composition que l’aperçu, hors repères d’interface et aux effets de rastérisation près. Elle est téléversée et envoyée comme start_image_url.

4.4 Quand l’image initiale composée est envoyée

Comme image de début. Elle n’est envoyée que lorsque Cadrage personnalisé est activé, qu’un détourage existe et que l’utilisateur n’a fourni ni sa propre première image ni une continuation d’un clip antérieur, ces deux dernières étant prioritaires. Si le rendu ou le téléversement échoue, l’erreur est journalisée et la génération se poursuit sans image de début. Une variante à échec bloquant (fail-closed) relève de travaux futurs.

Comme image de fin (ajoutée après la comparaison par paire de la Section 7.6 ; déployée le soir même selon l’opérateur). La même image initiale composée téléversée est aussi envoyée comme end_image_url lorsque toutes ces conditions sont réunies : l’image initiale composée est envoyée comme image de départ (conditions ci-dessus), l’utilisateur n’a défini aucune dernière image propre, le modèle accepte une image de fin (c’est le cas de Kling 4), et Rotation est sur Auto ou 360°. Elle n’est pas envoyée en 270°, dont la pose finale diffère de celle du départ, ni en Balancier ±90°, qui revient à 0° mais n’a pas été essayé avec elle. Son déploiement est une décision d’ingénierie, non une preuve que l’image de fin empêche la dérive du cadrage. Une génération par ce chemin automatique est consignée : un clip de fauteuil (Section 7.6) qui a conservé le cadrage tandis que son jumeau avec départ seul s’est rapproché. Les contrôles automatisés sont de deux sortes : pour l’interface utilisateur, des contrôles statiques vérifiant que les conditions d’éligibilité sont écrites comme décrit, qui n’affichent pas les états des vignettes et n’exécutent pas le chemin de téléversement et de requête ; pour le constructeur de requêtes, des tests unitaires qui l’exécutent et vérifient qu’une image de fin est transmise comme end_image_url sur Kling 4 et sur les deux niveaux de Kling 3.0 Omni, et jamais sur les modèles qui n’en ont pas. Les vignettes auto n’ont pas été vues dans une interface en fonctionnement pendant le développement, car aucun détourage ne pouvait être réalisé dans l’environnement local.

4.5 Paramètres

RéglagePlageValeur par défautPortée
Taille sur le plateau (point le plus éloigné de l’emprise au sol / rayon du disque)30–100%70%par forme
Largeur du plateau tournant dans l’image40–95%76%toutes les formes
Épaisseur du plateau tournant (tranche / diamètre)1–12%3%toutes les formes
Centre du plateau tournant depuis le haut30–80%56%toutes les formes
Arrière-planClair, Gris studioClairtoutes les formes
RotationAuto, 360°, 270°, Swing ±90°Autopar clip
Pause avant / après la rotation0–5 s, pas de 0.1 s0 s / 2 spar forme
Senssens horaire uniquementsens horaire—

Les valeurs hors plage sont refusées par le serveur plutôt que bornées. Le sens antihoraire a été masqué après que Kling 4 l’a ignoré dans un clip de production ; le sens n’existe que sous forme de phrase dans le prompt.

4.6 Prompt

Le serveur construit une ligne étiquetée par groupe : Scene (les mots de l’utilisateur), Layout (les quatre réglages en mots, uniquement avec Cadrage personnalisé), Rotation, Camera, Motion, Product. Texte complet en annexe A. Deux détails d’implémentation comptent :

  • Repli sur la longueur. Si le prompt dépasse la limite d’un modèle, des variantes sont essayées en supprimant des lignes dans un ordre fixe : texte supplémentaire de l’utilisateur, Product, Motion, Camera, Rotation, puis Layout ; en dernier recours, la ligne Scene seule. Layout et Rotation sont donc normalement, mais pas toujours, envoyées.
  • La suppression des valeurs par défaut repose sur des mots-clés. Les lignes Camera et Motion, ainsi que le texte par défaut de la ligne Product, sont supprimés lorsque les mots de l’utilisateur correspondent à des motifs thématiques (p. ex. « camera », « zoom », « orbit ») ; son désactivé, la ligne Product porte toujours la phrase sur le silence (« The video is silent. »). Il ne s’agit pas d’une détection sémantique de contradiction : elle supprime aussi une ligne sur des mots qui vont dans son sens (« keep the camera fixed ») et manque certaines formulations contradictoires.

La ligne Layout reformule en mots ce que montre l’image initiale composée. Lors des tests antérieurs, le texte de mise en page numérique seul n’a pas été suivi (section 3.1) ; l’image est donc le vecteur prévu de la mise en page.

4.7 Pauses

Les pauses ne sont pas demandées au modèle. Le clip brut est décodé dans le navigateur avec WebCodecs ; le navigateur écrit des copies de la première image décodée pour la pause avant, le clip décodé, puis des copies de la dernière image décodée pour la pause après ; il décale l’audio en conséquence, remplit les pauses de silence, réencode en H.264 + AAC et téléverse le résultat, qui remplace une fois le clip brut. Le décodage est utilisé plutôt qu’une edit list MP4, car les clips utilisent des B-frames et les navigateurs ne respectent pas les temps d’arrêt définis par une edit list. Un chemin côté serveur passant par un service de composition ffmpeg reste désactivé après qu’il a perdu les images fixes.

Propriétés et limites :

  • Conditionnel. Il s’exécute dans le navigateur du propriétaire du clip lorsque le clip est affiché. Si la récupération, le décodage, l’encodage ou le téléversement échoue, le clip brut reste inchangé et la tentative est répétée lors d’une visite ultérieure. Il dépend de la prise en charge des codecs par le navigateur et des ressources de l’appareil.
  • Copies fixes quantifiées à l’image. Chaque copie fixe reçoit une durée d’image complète, et des copies sont ajoutées tant que leur instant de début est inférieur à la fin demandée, de sorte que les durées nominales des échantillons répétés s’additionnent pour donner la durée demandée arrondie au nombre entier d’images supérieur : 2 s à 24 fps font exactement 48 images, mais 0.1 s donne 3 copies d’une étendue nominale de 0.125 s. Le reste de la timeline ne suit pas cet arrondi de la même façon. Pour une pause initiale, les images en mouvement et l’audio sont décalés de la valeur demandée (0.1 s), non de la valeur arrondie, si bien que l’intervalle nominal de la dernière copie fixe (0.083–0.125 s) chevauche la première image en mouvement (à partir de 0.1 s). Pour une pause finale, les copies commencent à la fin de la dernière image en mouvement, mais la fin utilisée pour compléter l’audio par du silence est avancée de la valeur demandée. Avec des valeurs de pause en nombre entier d’images, les deux coïncident ; pour les pauses fractionnaires, les horodatages de la sortie décodée et l’alignement A/V n’ont pas été mesurés.
  • Avec perte. Le clip entier est réencodé, si bien que ni le segment en mouvement ni les images de pause ne sont identiques au pixel près au clip brut décodé.

Mesuré sur des copies avec pauses téléchargées de quatre clips refaits livrés (section 7.6). Chacun compte 289 images vidéo à 24 fps, un flux vidéo de 12.041667 s et une durée de conteneur de 12.120816 s (le flux audio AAC est plus long). Avec un clip brut de 10 s de 241 images, comme en comptent les clips Kling 4 de 10 s téléchargés, les images 0–240 sont des images source décodées et les images 241–288 sont les 48 copies (2 s) commençant à 10.041667 s ; l’image 240, à 10.000 s, est le dernier échantillon source. Les fichiers bruts n’ont pas été conservés, de sorte que cette limite est déduite du nombre d’images et de la méthode, non lue dans les médias bruts. L’encodeur place une image clé toutes les 48 images (0, 48, …, 240). En niveaux de gris (luma Rec. 601), en pleine résolution 1440 px : par rapport à la première copie (image 241), chaque image de pause ultérieure diffère d’une différence absolue moyenne par image d’au plus 0.010–0.022 niveaux de gris (la plage porte sur les quatre clips) et d’un maximum par pixel de 5–11 ; par rapport à l’image 240, la plus grande moyenne par image est de 0.10–0.12 et le maximum par pixel de 12–50 (50 pour le canapé d’angle), car cette comparaison inclut le passage de la dernière image source à la première copie réencodée. Dans le clip du canapé, la différence absolue moyenne de gris était de 0.43 de l’image 239 à 240, de 0.11 de 240 à 241 et de 0.02 de 241 à 288. La pause est donc visuellement fixe mais pas identique au pixel près ; le résidu par pixel est du bruit d’encodage concentré sur les contours.

Pause après la rotation
Figure 11. Pause après la rotation dans le clip refait du canapé : images 239 et 240 (deux dernières images source), 241 (première copie de pause) et 288 (dernière copie), avec cartes de différence (×8, inversées) : 239→240 moyenne 0.43, 240→241 0.11, 241→288 0.02 niveaux de gris ; la pause est visuellement fixe mais pas identique au pixel près.

Non testé : pauses fractionnaires, pauses avant la rotation, synchronisation audio dans les clips avec pauses sonorisés, et traitement interrompu.

4.8 Coût par clip

ÉtapePrix catalogue du fournisseur (relevé le 2026-11-13)Facturé à l’utilisateur
Détourage (Bria RMBG 2.0) [21]$0.018 par imageun montant fixe en crédits, remboursé en cas d’échec, réutilisé
Kling 4, 720p [19]$0.157 / srègle de crédits standard
Kling 4, 1080p [19]$0.235 / srègle de crédits standard
Composition et pauses$0 (navigateur)gratuit

Il s’agit des prix du fournisseur, pas des prix de vente des crédits, hors nouvelles tentatives, sélection et temps de l’opérateur.

5. Ombrage de l’image 0 : fond et ombre du produit

Après le retour du client sur les quatre clips de production, l’image 0 a été modifiée de trois façons : un fond de studio sélectionnable, la suppression de l’ombre dessinée sous le produit, et une ombre au sol extraite de la photo du produit lui-même. Les trois ne modifient que l’image initiale composée ; le prompt v9 et la requête sont inchangés. Au moment des modifications, aucune génération n’avait utilisé l’une d’elles. Les six clips refaits de la section 7.6 ont ensuite utilisé le fond Gris studio sans ellipse dessinée ; il n’est pas consigné si leur image 0 portait aussi l’ombre extraite. Leurs observations sont ajoutées aux sections 5.1 et 5.7 ; pour le reste, cette section décrit des mécanismes et leurs modes de défaillance, pas un comportement observé du modèle.

5.1 Fond

Les quatre clips de production ont tous reçu le même fond clair dessiné (pixels de l’image 0 : 243 / 234 / 221 en haut, au milieu et en bas). Le modèle l’a conservé dans les clips du canapé d’angle, du canapé et du pouf (première image produite 244 / 234 / 222) et l’a remplacé dès la première image dans le clip du fauteuil par un studio gris plus sombre (mur à environ 150 dans les coins, environ 200 derrière le produit, sol à environ 222). Le client a ensuite demandé le fond du clip du fauteuil pour toute la collection. Ce fond étant le choix propre du modèle sur une seule prise, aucun réglage ne le reproduisait. Cadrage personnalisé propose désormais un choix Arrière-plan, Clair (le dessin précédent, par défaut) ou Gris studio, conservé sur le compte avec les réglages du plateau tournant. Gris studio est un dégradé radial pour le mur, un dégradé radial plus plat pour le sol et un fondu linéaire entre les deux, ajusté sur la première image du clip du fauteuil, produit et plateau exclus ; l’ajustement est rapporté en interne avec une erreur moyenne de 1.7 niveaux de gris (0–255) tel que rendu dans Chrome (1.5 pour le modèle ajusté avant rendu). Le protocole de la mesure dans Chrome (conversion des canaux, masque, résolution, version du navigateur) n’a pas été consigné, et elle n’a pas été reproduite de façon indépendante. Une vérification indépendante sur des images enregistrées en 720 px (image de référence, modèle ajusté, masque et SVG de l’image 0), avec le masque seuillé à > 127 (73.4% des pixels conservés) et la différence absolue moyenne de gris masquée par rapport à la référence, donne 1.63 pour l’image du modèle ajusté (déjà en niveaux de gris) et, pour le SVG de l’image 0 rendu en 720 × 720 avec librsvg 2.58.4, 1.48 avec une conversion luma Rec. 601 ou 1.43 avec les coefficients Rec. 709 appliqués aux valeurs encodées. Aucun de ces protocoles ne fait référence, et aucun ne confirme ni ne réfute le chiffre de Chrome. Le rendu SVG contient aussi le contour de silhouette sans repères de l’aperçu, dont une partie se trouve à l’intérieur du masque conservé. Dans la carte d’erreur masquée, les erreurs se concentrent dans la bande de fondu entre mur et sol et sur le mur extérieur. L’ajustement vise à reproduire l’aspect demandé dans l’image 0.

Ajustement du fond Gris studio
Figure 12. Ajustement de Gris studio en 720 px : l’image 0 du clip de production du fauteuil, l’image de dégradés mur et sol ajustés, la carte d’erreur masquée (produit et plateau exclus, en gris ; les erreurs se concentrent dans la bande de fondu entre mur et sol et sur le mur extérieur ; moyenne masquée 1.63) et le SVG de l’image 0 rendu avec librsvg.

Géométrie ajustée. Les pixels de l’image 0 du clip du fauteuil, produit et plateau masqués, ont été ajustés par deux dégradés radiaux et un fondu linéaire. Les positions sont rapportées au bord arrière du plateau (y = cy − r · tilt), de sorte que le fond suit la taille et la hauteur du plateau ; avec un plateau tournant à 80% et un centre à 58% en 1:1, le bord arrière se situe à environ 48% de la hauteur de l’image, comme dans le clip du fauteuil. Le dégradé du mur est centré 0.133 h au-dessus du bord arrière (35% depuis le haut avec ces réglages), avec un paramètre d’ellipse de 0.40 w × 0.30 h (le rayon du dégradé vaut 1.71 fois cela, si bien que le dernier arrêt tombe à peu près dans les coins) et des arrêts de gris 216, 215, 211, 199, 188, 175, 166, 145. Le dégradé du sol est centré 0.067 h sous le bord arrière (55%), 0.80 w × 0.30 h (×1.62), arrêts 231 → 219. Le mur est masqué au-dessus du sol par un fondu linéaire vertical allant de 0.063 h au-dessus à 0.037 h sous le bord arrière (42% → 52%). Des versions antérieures faites à la main, un dégradé vertical estimé et une ligne de sol courbe et floutée, ont été jugées incorrectes à l’œil avant la mesure de l’ajustement (selon le compte rendu de l’opérateur ; ces versions n’ont pas été conservées).

Conservation, deux ensembles distincts. Fond clair, les quatre clips de production de la section 7.3 : conservé dans 3 cas sur 4 (ci-dessus). Gris studio, les six clips refaits de la section 7.6 (un autre fond, d’autres réglages, une autre référence) : l’opérateur rapporte un studio gris dans la sortie des six. Pour ce rapport, un studio gris a été observé dans les cinq clips téléchargés qui ont pu être rattachés à une génération par leur nom ou leur contenu (canapé, pouf, canapé d’angle et les deux clips du lit) ; aucun fichier téléchargé n’a pu être rattaché au clip refait du fauteuil, de sorte que sa conservation repose uniquement sur le rapport de l’opérateur. L’opérateur a comparé les niveaux de gris de sortie avec le clip du fauteuil sur lequel le fond a été ajusté : coin du mur 147–150 contre 150, centre du mur 204–206 contre 208, sol 229 contre 231 et 220–221 contre 220 (les clips couverts par chaque plage et les points d’échantillonnage sont rapportés par l’opérateur ; fichiers de mesure non disponibles). Un contrôle ponctuel pour ce rapport sur les premières images décodées des copies avec pauses téléchargées (coins supérieurs et un coin inférieur, carrés de 4%, niveaux de gris) a donné 147–149 pour les coins supérieurs et 218–220 pour le coin inférieur pour le canapé, le pouf, le canapé d’angle et le lit début = fin, contre 151–154 et 221 pour une copie téléchargée présumée, sans preuve, être le clip de production du fauteuil. Dans le second ensemble, la conservation est donc rapportée par l’opérateur dans 6 cas sur 6, observée pour ce rapport dans les 5 clips téléchargés attribuables, et numériquement proche aux points mesurés dans 4 d’entre eux ; les deux ensembles ne sont pas regroupés, et Clair et Gris studio n’ont pas été comparés dans des conditions appariées (section 11, ablation 9).

5.2 L’ombre portée du produit au sol : le problème

Un détourage supprime l’arrière-plan et, avec lui, l’ombre portée au sol que contient une photo de catalogue sur fond blanc (la Figure 15 montre une telle ombre sous l’assise et la méridienne). À l’origine, l’image 0 compensait par une ellipse d’empreinte dessinée : noir à 20 %, floutée, de demi-axes 0,92 × W/2 × k et 0,92 × D/2 × k × tilt, calculés à partir de l’empreinte générique de la forme (Section 4.3). Pour le fauteuil, le canapé et le pouf, l’ellipse se trouvait pour l’essentiel sous le meuble. Pour le canapé d’angle (empreinte générique 240 × 200 cm), c’était un ovale plein dérivé d’une empreinte presque carrée (en coordonnées écran, son rapport d’axes vaut (200/240) × sin 14° ≈ 0,20 ; il n’est donc pas rond à l’écran), alors que le produit est en L, si bien qu’une grande partie de l’ovale tombait dans l’angle vide du L (environ la moitié, selon notre description interne). Le client a signalé que l’ombre était ronde au lieu de suivre la forme du canapé d’angle, et dans le clip de production du canapé d’angle, une large tache grise est visible sur le plateau pendant la rotation (Figure 13).

Clip du canapé d’angle à environ 3 s
Figure 13. Clip de production du canapé d’angle (fond clair, image 0 avec l’ellipse d’empreinte dessinée) à environ 3 s. La large tache grise autour du canapé, plus large que le canapé vu de dos, est compatible avec la persistance de l’ombre d’empreinte dessinée dans l’image 0 ; une image fixe ne permet pas d’établir qu’il s’agit de la même ellipse, et aucune comparaison contrôlée avec suppression n’a été générée (Section 5.3, dernière ligne).

5.3 Alternatives qui n’ont pas fonctionné

AlternativeCe qui a été essayéÉléments probantsRésultat
Ellipse d’empreinte dessinéel’image 0 livrée des quatre clips de productiontache grise sur le plateau pendant la rotation du canapé d’angle, compatible avec la persistance de l’ombre d’empreinte dessinée (Figure 13) ; réclamation du clientsupprimée
Détourage avec consigne de conserver l’ombredétourage Bria avec une consigne demandant de conserver l’ombre (formulation exacte non consignée), cinq photos de produitle sol sous chaque meuble est revenu sous forme de pixels opaques presque blancs plutôt que d’une ombre semi-transparente (par inspection visuelle) : pour le canapé d’angle, la part de pixels quasi opaques (alpha ≥ 95 %) est passée de 29,1 % du canevas pour le détourage simple à 35,6 %, tandis que les pixels d’alpha intermédiaire (5–95 %) représentaient 1,6 % (mesuré pour ce rapport sur les PNG enregistrés ; ces parts ne disent pas à elles seules si les pixels intermédiaires relèvent de l’ombre au sol ou du bord de segmentation)non utilisé
Retouche par un modèle d’image vers un PNG transparent avec ombre semi-transparentela photo du canapé d’angle retouchée par un modèle généraliste de génération d’imagesl’ombre a disparu, à part de petites marques sous l’extrémité des pieds (par inspection visuelle ; pixels d’alpha intermédiaire : 0,7 % du canevas, contre 0,8 % pour le détourage simple) ; l’image a été régénérée en 1536 × 1024 à partir d’une photo de 1200 × 800, si bien que la correspondance pixel à pixel avec la photo, et donc la fidélité au produit, n’est pas garantienon utilisé
Aucune ombre de produitimage 0 sans l’ellipse et sans rien à sa place (remplacée dans l’heure)aucun : aucun clip n’en a été généré. La crainte était que, sans ombre dans l’image 0 ni dans les photos de référence, le modèle n’en projette aucune ; c’est une hypothèse, non testée. Dans les clips de production, où l’ellipse de l’image 0 était cachée sous le fauteuil, le canapé et le pouf, le modèle a projeté une ombre pendant leur rotationremplacée
Alternatives de détourage du canapé d’angle
Figure 14. Détourages du canapé d’angle composités sur un gris moyen (RGB 150) pour rendre l’alpha visible : le détourage Bria simple n’a pas d’ombre au sol ; le détourage avec consigne de conserver l’ombre restitue le sol sous l’assise et la méridienne sous forme de taches opaques presque blanches ; la retouche par modèle d’image ne garde que de petites marques sous l’extrémité des pieds et est régénérée en 1536 × 1024. Parts mesurées pour la figure avec des seuils légèrement différents de ceux du tableau (alpha ≥ 242 : 29,1 % / 35,6 % / 29,3 % ; 13 < alpha < 242 : 0,8 % / 1,5 % / 0,7 %).

5.4 Méthode : l’ombre extraite de la photo

Les photos de catalogue sont sur fond blanc ; hors du produit, l’assombrissement d’un pixel donne donc une approximation de l’intensité de l’ombre. La méthode utilise directement cet assombrissement. Elle ne fait appel à aucun modèle d’IA, ne coûte rien au-delà du détourage déjà réalisé et laisse inchangé le fichier détouré lui-même (il est dessiné par-dessus le calque, comme auparavant).

  1. Même canevas. Le service de détourage renvoie un détourage couvrant tout le canevas de la photo ; la photo d’origine et le détourage sont donc censés se correspondre pixel à pixel. Seule l’égalité des dimensions est vérifiée ; le recalage ne l’est pas. Le navigateur charge à la fois la photo d’origine et le détourage, y compris pour les détourages réalisés auparavant.
  2. Région. La boîte du produit est la boîte englobante opaque du détourage (alpha > 24, comme pour le recadrage). La région est cette boîte élargie de 5 % de sa largeur de chaque côté et prolongée vers le bas de 25 % de sa hauteur, rognée aux limites de la photo ; elle commence au bord supérieur du produit.
  3. Intensité. Pour chaque pixel de la région, la luminosité vaut L = 0,2126 R + 0,7152 G + 0,0722 B, calculée sur les valeurs sRGB 8 bits. La photo est rehaussée de sorte que L ≥ 250 devienne blanc : ℓ = min(255, 255 · L / 250). Le calque d’ombre est noir, d’alpha a = 1 − ℓ / 255 (stocké sous la forme 255 − ℓ, arrondi).
  4. Composition. Dans l’image 0, le calque est dessiné après le disque et avant le détourage, mis à l’échelle et placé avec le détourage (même facteur pixels par pixel de photo), et rogné à l’ellipse de la face supérieure du disque. Le détourage est ensuite dessiné par-dessus.

En quel sens il s’agit d’un mode de fusion produit (multiply). L’équivalence vaut pour le calque d’ombre seul, sur un plateau opaque, dans les conditions suivantes :

  • Transmission. Aux erreurs de quantification près, la transmission du calque vaut q = min(1, L / 250), où L = 0,2126 R′ + 0,7152 G′ + 0,0722 B′ porte sur les valeurs sRGB 8 bits encodées de la photo, R′, G′, B′. L est donc une moyenne pondérée de valeurs encodées en gamma (proche d’une luma), et non une luminance en lumière linéaire.
  • Alpha quantifié. L’alpha stocké vaut A = round(255 · (1 − q)) ; la transmission effectivement appliquée est donc q₈ = 1 − A / 255.
  • Plateau opaque. Du noir d’alpha A / 255 dessiné en mode source-over sur un pixel opaque P du plateau donne (1 − A / 255) · P = q₈ · P, avant tout échantillonnage et arrondi ultérieurs. Cela équivaut exactement à une multiplication par une image grise neutre de valeur 255 · q₈, dans les valeurs encodées sur lesquelles travaille le compositeur (la composition par défaut de Canvas 2D et de SVG dans le navigateur opère sur des valeurs encodées en sRGB).
  • Photo grise ou en couleur. Cela revient à multiplier la photographie couleur rehaussée sur le plateau uniquement là où ses trois canaux rehaussés sont tous égaux au scalaire q, par exemple pour des pixels gris neutres ou des pixels saturés au blanc. Pour des pixels colorés, comme une ombre teintée ou le revêtement, ce n’est pas une multiplication RGB par la photo.
  • Ce que ce n’est pas. Ce n’est ni une multiplication par la photo d’origine non rehaussée, ni un modèle physique d’atténuation en lumière linéaire. Une comparaison avec une autre implémentation du mode produit n’est à conditions égales qu’avec le même espace colorimétrique de travail, la même couverture, le même rognage et le même échantillonnage.

Le composite final est une autre affaire. L’image 0 dessine ensuite le détourage par-dessus le calque. Avec un alpha de détourage m, une couleur de détourage non prémultipliée F et, en dessous, le résultat du calque q₈ · P, un pixel de l’image 0 vaut C = m · F + (1 − m) · q₈ · P. Là où m = 1, le détourage masque entièrement le calque : les pixels du détourage entièrement opaques sont donc préservés. Là où 0 < m < 1 (le bord adouci du détourage), le calque transparaît et porte tout ce que la photo contient à cet endroit : l’assombrissement propre du produit, que le calque inclut (Figure 16), une éventuelle contamination blanche ou par l’arrière-plan dans F, et des erreurs de segmentation dans m peuvent chacun produire une frange plus claire ou plus sombre. La dérivation n’établit donc pas un bord de produit exempt d’artefacts. Ce que la méthode établit est plus limité : elle ne comporte pas de zone d’exclusion autour du produit (note de construction ci-dessous) et, sur la seule image inspectée, celle du canapé d’angle, le bord nous a paru acceptable à l’œil. Aucune vérification n’a été faite sur l’alpha adouci, les bords colorés ni les bords rendus par le navigateur (Section 5.5).

Cohérence avec l’aperçu approuvé. Une rastérisation du rendu du studio avec le calque extrait et une rastérisation d’un aperçu antérieur en mode produit de la même image, approuvé en interne (toutes deux des images complètes incluant le détourage, toutes deux à 1 600 px avec librsvg, et non Chrome), différaient en moyenne de 0,02 niveau de gris en valeur absolue (moyenne RGB 0,023 / 255 ; gris pondéré Rec. 709 des valeurs encodées 0,023 / 255 ; mesuré pour ce rapport). La construction de l’aperçu n’a pas été consignée : ce contrôle vérifie donc la cohérence avec l’aperçu, et non la formule ; de plus, une moyenne sur l’image entière est diluée par l’arrière-plan inchangé et renseigne donc peu sur le bord. Une métrique sur la zone du bord figure dans la Section 11.

Note de construction. Une implémentation antérieure découpait la région à 2 px du bord du produit et ne gardait que les pixels plus sombres que 250 ; le résultat a été jugé crénelé au bord du produit. La méthode finale ne comporte aucune de ces deux coupes : chaque pixel de la région reçoit l’alpha ci-dessus, et seul le détourage définit le bord du produit.

Photo d’origine du canapé d’angle
Figure 15. La photo du canapé d’angle fournie par le client, 1200 × 800 sur fond blanc. Une légère ombre au sol s’étend sous l’assise et la méridienne. Il s’agit d’une copie d’affichage réencodée, et non de l’entrée du calcul : calculer le calque à partir de cette copie plutôt que de l’original donne un écart d’alpha d’environ 0,5 niveau en moyenne et jusqu’à 16.
Calque d’ombre extrait
Figure 16. Le calque de l’étape 3 (noir d’alpha 1 − ℓ / 255), affiché sur un damier clair. La zone du produit porte elle aussi un alpha, faible là où le revêtement est clair et presque opaque au niveau des pieds noirs ; le détourage la recouvre dans l’image 0. La bande grise sous l’assise et la méridienne est l’ombre au sol qui reste visible. JPEG d’affichage ; une copie sans perte du calque (1200 × 485 px, noir avec l’alpha calculé, placé en x = 0, y = 222 dans la photo) a été recalculée à partir du JPEG d’origine par une réimplémentation indépendante et est identique, valeur d’alpha par valeur d’alpha, au calque intégré au SVG enregistré de l’image 0.
Image 0 avec l’ombre extraite
Figure 17. Image 0 composée du canapé d’angle avec le fond Gris studio et l’ombre extraite, rastérisée à 1 024 px. L’ombre suit le L, sous l’assise et la méridienne, et s’arrête au bord supérieur du plateau.

5.5 Conditions d’application

Le calque n’est créé que si toutes les conditions suivantes sont réunies ; sinon, l’image 0 n’a pas d’ombre de produit, comme dans la dernière ligne de la Section 5.3, et la génération se poursuit.

  • Heuristique de luminosité des bords échantillonnés. La luminosité médiane des pixels échantillonnés le long des quatre bords de la photo est d’au moins 240. Le but est d’écarter les arrière-plans de pièce ou colorés, dont les pixels sombres relèvent du décor et non de l’ombre, et seraient imprimés sur le plateau. Il s’agit d’une heuristique, et non d’une vérification qu’il s’agit d’une photographie sur fond blanc : elle ne mesure ni l’uniformité du fond ni si l’assombrissement est une ombre, et elle accepte par exemple une photo d’intérieur avec une bordure blanche ou une image dont le pourtour clair entoure un décor intérieur sombre.
  • Même taille. La photo et le détourage ont les mêmes dimensions en pixels. C’est le seul contrôle de recalage ; l’égalité des dimensions ne prouve pas la correspondance pixel à pixel.
  • Au moins un pixel sombre hors du détourage. Au moins un pixel de la région dont l’alpha de détourage est ≤ 24 a un alpha de calque non nul (luminosité rehaussée inférieure à 255). Ce n’est pas un détecteur sémantique d’ombre : tout pixel de ce type, ombre ou non, satisfait la condition.
  • La photo se charge. Un échec de chargement ou de décodage ne supprime que l’ombre, pas le détourage.

Les tests unitaires sont des tests synthétiques au niveau des tableaux, sur une image de 40 × 30 avec un détourage à alpha binaire. Ils couvrent la valeur d’alpha d’un pixel d’ombre gris, le fait qu’un pixel d’ombre voisin du produit reçoive le même alpha qu’un pixel plus éloigné (pas de zone d’exclusion dans le calque), la limite inférieure de la région, et le résultat nul pour un fond uniformément non blanc et pour un sol blanc propre. Ils n’exercent ni l’alpha adouci du détourage, ni les bords colorés, ni le rendu navigateur, ni une différence de dimensions, ni les faux positifs sur les bords, ni les limites latérales de la région élargie, et ils ne valident pas la qualité du bord rendu. La méthode a été vérifiée visuellement sur une seule photo de produit, celle du canapé d’angle. Pour cette photo, la luminosité médiane des bords vaut 254,0, la boîte du produit est (43, 222), 1106 × 388 px, et la région est x ∈ [0, 1200), y ∈ [222, 707), rognée des deux côtés de la photo ; recalculer le calque à partir du JPEG d’origine reproduit exactement le calque intégré au SVG enregistré de l’image 0 (écart d’alpha moyen et maximal : 0).

5.6 Limites de l’ombre extraite

  • Géométrie de la caméra. L’ombre est celle que voit la photo (de face, légèrement en plongée), mise à l’échelle avec le détourage. Elle n’est pas reprojetée selon la vue à 14° du disque dessiné et n’utilise pas l’empreinte de la forme ; sa profondeur sur le plateau est donc celle de la photo, et non celle du disque. C’est le même décalage de perspective que pour le détourage lui-même (Section 10).
  • Assombrissement sans rapport avec l’ombre. Tout ce qui est sombre dans la région et que le détourage a supprimé est conservé comme assombrissement : interstices entre des parties du produit rendus transparents par le détourage, sol ou ligne d’horizon visibles, reflets, marques ou résidus de retouche. La région commençant au bord supérieur du produit, les interstices à l’intérieur de la silhouette sont inclus.
  • Seuils fixes. Le point blanc (250) et le test d’arrière-plan (240) sont des constantes, non mesurées photo par photo. Un fond compris entre 240 et 250 passe le test mais laisse une légère teinte uniforme sur toute la région (L = 245 donne un assombrissement d’environ 2 %), avec des bords droits là où la région se termine ; une ombre plus claire que 250 est perdue.
  • Région bornée. Une ombre qui s’étend sous le produit sur plus de 25 % de sa hauteur, ou sur ses côtés sur plus de 5 % de sa largeur, est coupée net. L’ombre qui dépasse l’ellipse supérieure du disque est éliminée par le rognage.
  • Une seule vue. Seule l’ombre de la photo de face est utilisée ; toute ombre du produit après l’image 0 est générée par le modèle.
  • Luminance seulement. La couleur de l’ombre de la photo n’est pas reproduite (Section 5.4).

5.7 Question ouverte

Aucune génération n’est consignée comme ayant utilisé l’ombre extraite. Deux observations tirées des clips refaits (Section 7.6), dont l’image 0 ne comportait pas d’ellipse dessinée :

  • Canapé d’angle sans l’ellipse. Dans le clip refait du canapé d’angle (Figure 18, rangée du bas), l’ombre sur le plateau suit la forme en L à 0, 2,5, 5 et 7,5 s, et aucune marque ronde n’est visible (images de l’opérateur ; compatible avec les recadrages du plateau à 0, 3, 5 et 7,5 s examinés pour ce rapport). Par comparaison avec la tache du clip de production du canapé d’angle (Figure 13), cela est compatible avec l’hypothèse que l’ellipse dessinée a causé cette marque, mais il s’agit d’un clip par condition, avec d’autres réglages modifiés en même temps (fond, taille, centre), et non d’un test contrôlé de suppression ; on ignore si cette image 0 portait une ombre extraite, ce point n’ayant pas été consigné.
  • Ombres apparemment copiées des photos de référence (hypothèse). L’opérateur a comparé les photos de référence de côté et de dos du fauteuil avec son image à 2,5 s et a trouvé que l’ombre au sol du clip ressemblait aux ombres présentes sur ces photos. Il s’agit d’une impression visuelle sur un seul produit ; elle ne peut être démontrée à partir de la sortie et est consignée comme une hypothèse sur la façon dont le modèle forme l’ombre pendant la rotation, non comme un résultat.
Ombre du canapé d’angle avec et sans l’ellipse dessinée
Figure 18. Recadrages du plateau du canapé d’angle à 0, 3, 5 et 7,5 s : dans le clip de production (fond Clair, image 0 avec l’ellipse dessinée), une large tache grise s’étend sur le plateau à côté du canapé à 3 s ; dans le clip refait (Gris studio, sans ellipse), l’ombre reste sous le canapé aux mêmes instants.

On ne sait pas si le modèle conserve une ombre sous le produit pendant toute la rotation, la fait tourner rigidement avec le produit, la laisse comme une marque fixe sur le plateau (comme le clip du canapé d’angle semble l’indiquer avec l’ellipse dessinée) ou la remplace par la sienne : ce point n’est pas vérifié. Aucune de ces possibilités n’est correcte d’office : sous un éclairage fixe, une ombre portée réelle change de forme quand l’orientation de l’objet change, si bien que ni une marque fixe ni une copie de l’ombre de la photo tournant rigidement n’est en général physiquement juste. Une seconde question ouverte est de savoir si une ombre dans l’image 0 modifie le respect de l’image de départ (Section 7.5). La Section 11 décrit l’étude d’ablation prévue pour les deux.

6. Ce que le système détermine et ce qu’il ne détermine pas

Déterminé par la méthode, dans les conditions indiquées :

  1. Si le rendu et l’envoi réussissent, et sans première image ni continuation fournies par l’utilisateur, l’image initiale composée envoyée comme start_image_url a la composition de l’aperçu (sans l’anneau de repère) avec les paramètres réglés, au format d’image du clip.
  2. Avec les mêmes réglages de plateau tournant, l’image initiale composée de chaque produit présente un plateau tournant de même largeur, de même épaisseur et à la même position. La taille du produit suit la règle d’occupation normalisée de la Section 4.3, et non une échelle physique commune.
  3. L’image initiale composée est stockée avec la génération et peut être superposée à la sortie.
  4. Les réglages sont enregistrés sur le compte et réutilisés.
  5. Lorsque le traitement dans le navigateur réussit, le clip avec pauses contient la séquence animée suivie (ou précédée) d’images d’extrémité décodées répétées, le tout réencodé ; pour des pauses d’un nombre entier d’images (comme les 1 à 3 s utilisées en production à 24 i/s), les copies couvrent exactement la durée demandée, tandis que la durée des pauses fractionnaires et des pauses initiales suit la Section 4.7 et n’est pas vérifiée.
  6. Le détourage est facturé une fois par photo et remboursé en cas d’échec ; avec Cadrage personnalisé désactivé, rien n’en est envoyé ni facturé.
  7. Lorsque les quatre conditions de la Section 5.5 sont satisfaites (luminosité des bords échantillonnés, dimensions en pixels égales, au moins un pixel sombre hors du détourage, chargement réussi), l’image 0 contient l’assombrissement rehaussé de la photo dans la région autour du produit, rogné à la face supérieure du disque, sous le détourage ; sinon, l’image 0 n’a pas d’ombre de produit. Satisfaire ces conditions ne vérifie pas que la photo a été prise sur fond blanc, que l’assombrissement est une ombre, ni que la photo et le détourage sont recalés.
  8. Lorsque l’image initiale composée est envoyée comme image de départ, que la rotation est sur Auto ou 360° et que l’utilisateur n’a défini aucune dernière image, la même image initiale composée est aussi envoyée comme image de fin (Section 4.4). Que le modèle termine alors sur elle, conserve le cadrage entre les deux ou effectue toujours un tour complet n’est pas déterminé par la méthode.

Observé sur un petit échantillon exploratoire, non déterminé : que la première image produite suive la mise en page composée du produit et du plateau (approximativement, à l’œil) ; qu’elle conserve le fond composé (Clair : 3 des 4 clips de production ; Gris studio, un ensemble distinct : signalé par l’opérateur dans 6 des 6 clips refaits, vu pour ce rapport dans les 5 qui sont rattachés à un fichier téléchargé, Section 5.1) ; que le cadrage de l’image 0 soit conservé pendant le reste du clip (il ne l’a pas été dans l’un des cinq clips refaits avec image de départ seule, Section 7.6) ; que le produit reste sur le plateau pendant toute la rotation ; la fermeture de la boucle ; la taille et les proportions pendant la rotation ; une rotation complète dans un seul sens ; la fidélité structurelle. La séquence animée est générée par le modèle ; les pauses facultatives répètent des images d’extrémité décodées, et la vidéo complète est réencodée. Cela diffère d’une composition du produit sur un plateau pendant tout le mouvement, exclue par conception.

7. Évaluation exploratoire

7.1 Statut des éléments probants

Tous les tests de ce rapport sont exploratoires : le plus souvent un seul essai par condition ou par produit (l’expérience d’ancrage comptait trois essais par condition), des réglages modifiés délibérément ou de manière adaptative, des jugements portés sans aveugle par les personnes qui ont construit le système, et aucun produit réservé à la validation. Les métriques ont été modifiées en cours de travail (Section 7.4). Aucun résultat ci-dessous n’est un taux, et aucune comparaison entre conditions ne contrôle le produit, les paramètres ou la variation aléatoire.

7.2 Référence : clips livrés sans image initiale composée

Quatre clips des produits du client (Kling 4, 1080p, 1:1, 10 s, contrôle par texte seul avec la couche cachée v3) : le plateau avait à peu près la même largeur à l’écran dans les quatre, et chaque produit était ajusté au cadre (fauteuil à environ 75 % de la largeur du plateau, canapé à environ 90 %, pouf le remplissant et le débordant) ; SSIM première/dernière image de 0,85–0,97, chaque clip s’arrêtant 10–15° avant la vue de face ; l’extrémité de la méridienne et un pied arrière du canapé d’angle dépassaient le bord du plateau dans les vues de côté. Les clips sont présentés dans la Figure 19.

Clips de référence sans image initiale composée
Figure 19. Les quatre clips de référence (contrôle par texte seul, Kling 4, 1080p, 241 images) à 0, 1,5, 3, 4,5, 6, 7,5 et 9 s et à l’image 240 : chaque produit est ajusté au cadre sur un plateau de largeur similaire, le pouf couvre presque tout son plateau, la méridienne du canapé d’angle atteint le bord du plateau en pivotant vers l’avant à 1,5 s (l’extrémité de la méridienne le dépasse vers 6,5 s, hors de la bande), et la dernière image ne reproduit pas exactement l’image 0.

7.3 Clips de production avec l’image initiale composée

Quatre clips ont été générés sur le site de production avec Cadrage personnalisé, Kling 4, 1080p, 1:1, son activé. Les réglages ont été modifiés d’un meuble à l’autre afin de mettre les commandes à l’épreuve (Annexe B). Contrôles :

  1. Première image produite comparée à l’image initiale composée, par comparaison visuelle (la même superposition est disponible dans le produit) : respect approximatif de la mise en page produit/plateau et, séparément, conservation du fond.
  2. Maintien sur le plateau, à l’œil, sur 34–40 images par clip, en observant les pieds et l’extrémité de la méridienne par rapport au bord du disque.
  3. Écart entre extrémités : différence absolue moyenne par pixel entre la première image et la dernière image avant la pause, sur une échelle de 0–255. L’espace colorimétrique, la résolution, la méthode de redimensionnement et la zone d’intérêt utilisés pour ces clips n’ont pas été consignés ; les scripts de l’expérience d’ancrage utilisaient des images complètes en niveaux de gris de 240 × 240, l’un convertissant en gris avant un redimensionnement par moyenne de zone et l’autre redimensionnant (bilinéaire) avant de convertir, si bien que même ces deux-là ne sont pas identiques.
  4. Mouvement : différence entre images échantillonnée toutes les 0,2 s, et inspection visuelle pour repérer saccades ou déformations.
  5. Pauses : durée du fichier et immobilité des images de fin.
ProduitClipDuréeTaillePlateau tournant / épaisseur / centre (%)Pause aprèsRespect de la mise en page (approx.)Fond conservéDépassement du bord dans les images échantillonnéesÉcart entre extrémités
FauteuilFigure 20 (voir la note de provenance)10 s60 %80 / 4 / 582 soui (signalé)non : remplacé par un studio gris plus foncéaucun observé (signalé)non consigné individuellement
Canapé d’angleFigure 2010 s90 %80 / 4 / 702 souiouiaucun observé0,92
CanapéFigure 208 s80 %80 / 10 / 501 souiouiaucun observénon consigné individuellement
PoufFigure 209 s51 %80 / 5 / 603 souiouiaucun observé0,57

Une note interne donne une plage de 0,57–1,79 sur les quatre clips, et de 1,5–5,5 pour des images distantes de 0,2 s pendant la rotation. Pour le canapé, le sens antihoraire était demandé et la rotation s’est faite dans le sens horaire. La largeur du plateau tournant composé, son épaisseur, la hauteur de son centre et la taille du produit ont été suivies approximativement, à l’œil, dans les quatre clips ; le fond composé a été conservé dans trois (Section 5.1). Aucun décompte exact de correspondances sur l’image entière ne peut être tiré de ces contrôles visuels. Aux instants 0, 2,5, 5 et 7,5 s, sur la dernière image source et sur la dernière image de pause, la taille, l’épaisseur du plateau et sa hauteur diffèrent d’un meuble à l’autre conformément aux réglages ; le canapé d’angle, le canapé et le pouf conservent le fond clair, et le fauteuil se trouve dans un studio gris plus foncé dès l’image 0.

Clips de production avec l’image initiale composée
Figure 20. Les quatre clips de production avec l’image initiale composée (fond Clair) à l’image 0, à 2,5, 5 et 7,5 s, sur la dernière image source et sur la dernière image de pause : la taille, l’épaisseur du plateau et sa hauteur diffèrent d’un meuble à l’autre conformément aux réglages ; le canapé d’angle, le canapé et le pouf conservent le fond clair, le fauteuil se trouve dans un studio gris plus foncé dès l’image 0. Copies locales, associées aux clips de production par le produit, la durée et les réglages visibles dans l’image 0.

Provenance. Les valeurs individuelles d’écart entre extrémités pour le fauteuil et le canapé, les images comparées, le prétraitement et la commande de calcul ne sont pas consignés. La note d’évaluation d’origine n’identifiait pas sans ambiguïté le clip du fauteuil (une prise locale et le clip de production lié ont des réglages différents) ; un enregistrement de production ultérieur identifie le clip de production lié. La valeur individuelle d’écart du fauteuil n’est toujours pas consignée ; la ligne du fauteuil et la plage 0,57–1,79 sont donc rapportées en interne et ne sont pas reproductibles de façon indépendante. Il s’agit d’une provenance non résolue, et non d’un indice que les quatre clips de production n’auraient pas existé.

Ce que ces contrôles étayent. L’absence de sortie visible du plateau dans les images échantillonnées, et non le maintien sur le plateau pendant toute la rotation : les pieds peuvent être masqués, et une silhouette projetée qui franchit l’ellipse dessinée n’équivaut pas à une empreinte qui quitte le plateau. Une cohérence structurelle visible, et non la fidélité à des surfaces réelles non observées. Un faible écart entre extrémités, et non une boucle sans raccord visible : des images distantes de 0,2 s correspondent à environ cinq intervalles d’image à 24 i/s, et non à un pas ordinaire ; les deux plages se chevauchent (1,79 > 1,5) ; et la seule similarité des extrémités serait aussi satisfaite par un clip qui bouge à peine, qui s’inverse ou qui se termine dans une pose similaire mais erronée. La continuité du mouvement au raccord n’a pas été mesurée, et aucun test de visibilité du raccord auprès de spectateurs n’a été mené. Lors de l’envoi des clips, la correspondance présentait la pause comme facultative au motif que les clips bouclaient sans raccord visible ; c’était une affirmation de correspondance, non un résultat mesuré.

DéfautRéférence (sans image initiale composée)Production (image initiale composée)
R1 tailleproduit ajusté au cadre ; pouf aussi large que le canapétaille réglée par l’utilisateur pour chaque meuble et visible dans l’image initiale composée ; même largeur de plateau dans les quatre, épaisseur et position délibérément variées
R2 maintien sur le plateauméridienne et un pied arrière dépassant le bord dans les vues de côtécanapé d’angle à 90 % : aucun dépassement observé dans les images échantillonnées
R3 extrémitésSSIM 0,85–0,97, 10–15° avant la vue de faceMAE entre extrémités 0,57–1,79 (rapporté en interne) ; métrique différente

La prise locale 3 du fauteuil (Section 3.1), mesurée en SSIM, a donné 0,98.

7.4 Modifications de métriques déclarées

  • Dans l’expérience d’ancrage, les seuils de réussite avaient été rédigés avant la première étape, mais un seuil absolu de raccord (dernière image comparée à la première ≤ 4 niveaux de gris) a été ajouté après la première étape, parce que le ratio de raccord préenregistré pénalisait les clips au mouvement lent, et une métrique d’inversion (une trajectoire angulaire tirée de la similarité avec quatre vues composées) a été ajoutée après la deuxième étape, lorsqu’une inversion a échappé aux métriques d’origine.
  • Les contrôles de production n’avaient pas de seuils de réussite rédigés à l’avance.
  • La fermeture de la boucle a été mesurée en SSIM sur les clips de référence et en différence absolue moyenne sur les clips de production. Ce sont deux mesures différentes, non comparables ; un protocole unique appliqué aux deux ensembles est nécessaire (Section 11). Une réévaluation rétrospective de tous les clips locaux selon un protocole unique figure à la Section 7.7 ; elle est observationnelle et ne remplace pas l’évaluation prévue.

7.5 Respect de la mise en page de l’image de départ selon les séries

SérieModèleImage de départClipsRespect approximatif de la mise en page produit/plateauFond conservé
Expérience d’ancrage, B et CKling 3.0 Omnicomposée (départ = fin, ou enchaînée)66 sur 6 (largeur du produit dans l’image 0 à 0,7 % près)non évalué
Prise locale 1Kling 4disque plat dessiné10 sur 1non (composition propre au modèle)
Prises locales 2–3Kling 4disque à ombrage photographique22 sur 2non consigné séparément
ProductionKling 4disque ombré avec ombre de contact44 sur 43 sur 4
Clips refaits, départ seul (Section 7.6)Kling 4disque ombré, fond Gris studio55 sur 5 à l’image 0 (signalé) ; le cadrage a ensuite dérivé dans 1 sur 5studio gris signalé par l’opérateur dans les 5, vu pour ce rapport dans les 4 rattachés à des fichiers téléchargés ; niveaux de gris proches de la référence ajustée aux points mesurés (Section 5.1)
Clip refait, départ = fin (Section 7.6)Kling 4même image initiale composée comme départ et comme fin, définie à la main11 sur 1studio gris observé ; proche aux points mesurés (Section 5.1)

Le respect de la mise en page désigne ici un produit et un plateau à peu près à la taille et à la position composées, jugés à l’œil ; il ne s’agit pas d’une correspondance sur l’image entière. Les six réussites de mise en page sous Kling 4 regroupent des essais de développement locaux et des essais de production aux compositions, consignes et réglages différents. Sous une hypothèse IID, la borne inférieure binomiale exacte à 95 % pour 6 sur 6 serait d’environ 54 %, mais cette hypothèse ne décrit pas cet échantillon de développement regroupé. L’unique échec avec le disque plat, suivi de réussites avec le disque ombré, motive l’hypothèse selon laquelle le style de rendu de l’image initiale composée influe sur le respect de la mise en page ; il ne l’établit pas. Dans les prises locales, avec le disque plat dessiné (prise 1), la sortie commençait sur un grand fauteuil posé sur un grand disque ; avec le disque ombré (prises 2 et 3), elle commençait sur le petit fauteuil composé et conservait cette taille pendant toute la rotation. Les lignes des clips refaits sont présentées séparément parce que les mesures de l’opérateur y ont été faites selon un autre protocole, parce qu’elles utilisaient un autre fond (Gris studio contre Clair ; les décomptes de conservation du fond des deux ensembles ne sont pas regroupés), et parce que le respect de la mise en page à l’image 0 s’est révélé ne pas impliquer que le cadrage soit conservé après l’image 0 (Section 7.6).

7.6 Dérive du cadrage pendant la rotation, et l’image initiale composée comme image de fin

Conditions. Six clips réalisés par l’opérateur dans le studio après les révisions de l’ombrage de la Section 5 : Kling 4 reference-to-video, 1080p, 1:1, 10 s plus une pause de 2 s après, Cadrage personnalisé avec un plateau tournant à 80 % du cadre, une épaisseur de 4 %, un centre à 58 % depuis le haut et le fond Gris studio, c’est-à-dire les paramètres fixes d’un plan de reprise antérieur aux clips et qui ne les consigne pas. Les valeurs de taille par meuble, les PNG de l’image 0 utilisés, la présence ou non d’une ombre extraite dans l’image 0 (Section 5), la consigne telle qu’envoyée, et le fait que les clips aient été réalisés en production ou en local ne sont pas consignés. Les photos du second modèle de lit sont trois vues de face et de trois quarts sur fond blanc, sans vue de dos ni de côté.

Résultats. La largeur du plateau (en pourcentage de la largeur du cadre), le centre du plateau (en pourcentage de la hauteur du cadre depuis le haut) et le SSIM première/dernière image sont des mesures de l’opérateur, échantillonnées toutes les 0,5 s ; les fichiers de mesure ne sont pas disponibles. Les valeurs de SSIM entre crochets proviennent d’un contrôle effectué pour ce rapport sur les copies avec pauses téléchargées (1440 × 1440, 24 i/s, 289 images vidéo ; flux vidéo de 12,041667 s, conteneur de 12,120816 s car le flux audio est plus long) : ssim de ffmpeg (Y, "All") sur des images complètes en niveaux de gris, image 0 décodée comparée à l’image 240 à 10,000 s, dernier échantillon source avant les 48 copies de pause (Section 4.7). Comparer plutôt à l’image 239 modifie les valeurs de 0,001–0,002. Rien n’indique que les deux protocoles, celui de l’opérateur et celui-ci, soient identiques.

ProduitClipConditionnementLargeur du plateau au fil du clipCentre du plateau au fil du clipTour completSSIM première/dernière image, signalé [ce rapport, image 0 contre 240]
Lit (second modèle)clip du lit avec départ seul, non livré, sans lien publicdépart seul80,0 % à 0 s, 89 % à 5 s, 97,5 % à 8 s, plus de 100 % (au-delà des deux bords du cadre) à partir de 9 s58 % → 67 %a tourné ; dernière image environ 25 % plus grande que la première, d’où un saut à la bouclenon indiqué [0,845, copie téléchargée attribuée à ce clip d’après son contenu]
Lit (second modèle)clip du lit départ = fin (Figures 23, 26)départ = fin (la même image initiale composée comme Première image et Dernière image)80,0–80,1 % dans chaque échantillon évaluable ; deux échantillons en vue de côté exclus parce que le lit masque la rangée la plus large du plateau, rendant leur largeur non évaluable58,1 %oui, 360°0,993 [0,994]
Fauteuilclip refait du fauteuil (pas de figure)départ seul80,1 % dans chaque image échantillonnée58,1 %ouientre 0,993 et 0,996 [aucune copie téléchargée identifiée à ce clip]
Canapéclip refait du canapé (Figure 26)départ seul80,1 %58,1 %ouientre 0,993 et 0,996 [0,994]
Poufclip refait du pouf (Figure 26)départ seul80,1 %58,1 %ouientre 0,993 et 0,996 [0,997]
Canapé d’angleclip refait du canapé d’angle (Figure 26)départ seul80,1 %58,1 %ouientre 0,993 et 0,996 [0,995]

Les clips livrés ne sont rattachés aux générations que par le nom du produit. Un échantillonnage toutes les 0,5 s sur 0–10 s donnerait 21 échantillons par clip ; le nombre exact d’échantillons de l’opérateur par clip n’est pas consigné, seulement le fait que deux échantillons du lit départ = fin ont été exclus. Les pauses des cinq clips livrés ont été signalées comme statiques, « 0–1 niveau de gris » entre images de pause ; le chiffre de l’opérateur est compatible avec une différence absolue moyenne par image, non avec un maximum par pixel. Remesuré pour ce rapport sur quatre clips téléchargés (Section 4.7) : après la première copie, des moyennes par image d’au plus 0,010–0,022 et des maxima par pixel de 5–11 niveaux de gris ; le fauteuil n’a aucune copie téléchargée qui lui soit rattachée. Un autre fichier de fauteuil téléchargé, du même après-midi, donne 0,982 avec le contrôle ci-dessus ; il ne peut être rattaché au clip du fauteuil livré et n’est pas utilisé.

Pour ce rapport, l’image 0 et l’image 240 des cinq clips téléchargés attribuables ont aussi été comparées directement (niveaux de gris, différence absolue moyenne) : les quatre clips livrés diffèrent surtout le long des contours (0,48–0,89), tandis que le lit avec départ seul finit visiblement plus grand (16,54). Une image initiale composée du lit, rendue de nouveau après la réalisation du clip avec départ seul (donc au mieux un nouveau rendu de l’image envoyée pour ce clip, et seulement présumée être le PNG défini comme Première image et Dernière image pour le clip départ = fin), correspond à l’image 0 produite dans les deux clips (différence de gris absolue moyenne de 3,08 et 2,13, écarts sur les contours) ; à l’image 240, le clip départ = fin correspond toujours (2,11) et le clip avec départ seul non (15,20 : lit et plateau plus grands). À raison d’une image par seconde, le lit avec départ seul grandit pendant la rotation, nettement plus grand à partir de 8 s, jusqu’à ce que le plateau atteigne les deux bords du cadre à 9,95 s, tandis que le lit départ = fin garde la taille et la position du plateau à chaque seconde.

Première image contre dernière image, clips refaits
Figure 21. Image 0 contre image 240 (dernière image source) pour cinq clips refaits, avec cartes de différence (×4, inversées) : les quatre clips livrés diffèrent surtout le long des contours (moyenne de 0,48–0,89 niveau de gris), le lit avec départ seul finit visiblement plus grand (moyenne de 16,54).
Image composée du lit contre images produites
Figure 22. Une image initiale composée du lit (rendue de nouveau après la réalisation du clip avec départ seul) comparée aux images 0 et 240 produites dans les deux clips du lit : l’image 0 correspond dans les deux (moyenne de 3,08 et 2,13 niveaux de gris, écarts sur les contours) ; à l’image 240, le clip départ = fin correspond toujours (2,11), le clip avec départ seul non (15,20 : lit et plateau plus grands).
Dérive du cadrage du lit
Figure 23. Le lit avec la même image 0 composée, de 0 à 9 s à chaque seconde, à 9,95 s et sur la dernière image de pause : avec l’image de départ seule (en haut), il grandit pendant la rotation, nettement plus grand à partir de 8 s, jusqu’à ce que le plateau atteigne les deux bords du cadre à 9,95 s ; avec la même image comme image de départ et de fin (en bas), le plateau garde sa taille et sa position à chaque seconde.
Dérive du cadrage du lit, détail
Figure 24. La même paire agrandie à 0, 5, 8 et 9,95 s.

Ce que montrent ces clips. Dans le clip du lit avec départ seul, la première image produite a suivi la mise en page composée ; le respect de la mise en page à l’image 0 (Section 7.5) était donc acquis, puis le cadrage a été perdu : la caméra s’est rapprochée régulièrement pendant la rotation. La ligne Camera de la consigne (« camera position, aim, focal length, focus, aperture and crop stay constant », Annexe A) figurait dans la requête, selon ce qui a été signalé, et ne l’a pas empêché. Les quatre autres clips avec départ seul ont conservé le cadrage composé dans chaque image échantillonnée ; la dérive n’y est donc pas apparue ; elle est apparue une fois, sur le meuble le plus profond et le plus haut de l’ensemble (description de l’opérateur). Un seul clip par meuble ne permet pas de trancher entre un lien avec cette forme et un événement aléatoire susceptible de toucher n’importe quel meuble ; cette série ne dit donc pas quels produits sont exposés. Un changement de taille au sein d’un clip avait déjà été observé sans image initiale composée (un clip de référence Kling 3.0 Omni a grandi de 44 % pendant la rotation, Section 3.1), et les clips examinés au début du travail avaient un cadrage stable ; les clips antérieurs avec image initiale composée n’ont été contrôlés pour la taille pendant la rotation qu’à l’œil, et aucune dérive de ce type avec une image de départ composée n’avait été consignée auparavant dans ce travail.

La reprise avec l’image initiale composée envoyée aussi comme end_image_url (Kling 4 l’accepte) n’a pas dérivé, et son plateau est resté à la largeur et à la position composées dans chaque échantillon évaluable (deux échantillons en vue de côté masqués exclus). Il s’agit d’une prise par bras sur un seul produit ; elle montre que l’essai avec image de fin n’a pas dérivé, non que l’image de fin empêche la dérive. Le bras avec départ seul a dérivé dans un clip sur cinq ; un unique clip départ = fin sans dérive est donc aussi ce qu’une recette inchangée avec départ seul produirait souvent. Le conditionnement par les extrémités est un objectif qui favorise l’accord entre la dernière et la première image, non une garantie de cet accord, et sa contribution au SSIM observé de 0,993 (0,994 dans le contrôle) n’est pas mesurée : les quatre clips avec départ seul ont atteint des valeurs similaires sans lui. Une valeur élevée serait compatible avec une rotation non naturelle ou discontinue entre les deux ; elle ne montre donc pas à elle seule une boucle sans raccord visible (la Section 7.3 énumère ce que la similarité des extrémités ne peut pas montrer).

Risque ouvert : absence de rotation. Avec des images de départ et de fin identiques, finir là où l’on a commencé est aussi satisfait par un produit qui ne tourne pas, ou qui tourne en partie puis revient. Le lit a effectué un tour complet dans son unique prise, tout comme le clip automatique départ = fin du fauteuil (ci-dessous, Figure 27). Avec un échantillonnage toutes les 0,5 s, un bref dépassement ou une inversion entre deux échantillons n’est pas exclu ; aucune métrique d’inversion (Section 7.4) n’a été appliquée. Observé une fois sous chacun de deux réglages, sans que la tenue en soit démontrée.

Rapport avec la condition d’ancrage départ = fin. Cette expérience utilisait Kling 3.0 Omni en 720p, le fauteuil vert et des images d’ancrage composées par des scripts distincts ; l’un de ses trois clips départ = fin a dépassé puis est revenu, et le travail sur ce modèle a été arrêté pour cette raison. Le clip présent diffère par le modèle (Kling 4), la résolution (1080p), le produit (un lit), la composition (le compositeur propre au studio avec le fond Gris studio) et l’objectif (conserver le cadrage, non fermer la boucle). Les deux ne sont pas comparables et ce clip ne contredit pas l’échec antérieur : le conditionnement départ = fin a désormais produit une inversion dans un clip sur trois sur un modèle et un tour complet dans chacun de deux clips sur un autre (l’un défini à la main, l’autre automatique, Section 7.6 et ci-dessous), ce qui ne constitue un taux pour aucun des deux.

Arrivée anticipée et pause plus longue (observation ouverte). Dans le clip du lit départ = fin, le lit a atteint la pose de face vers 9,0 s plutôt qu’à la fin de la rotation de 10 s : le SSIM par rapport à la première image était de 0,904 à 8 s, 0,929 à 8,5 s et 0,993 à 9 s, et de 9 à 10 s le lit est resté presque immobile (variation d’une image à l’autre d’environ 0,05, contre environ 1,0 pendant la rotation ; unités telles que mesurées par l’opérateur). Avec la pause de 2 s ajoutée, la pause visible était donc d’environ 3 s au lieu des 2 s demandées. Le pouf, réalisé sans image de fin, a fait de même, atteignant la face vers 8,5 s, si bien que sa pause visible était d’environ 3,5 s ; le canapé d’angle, le canapé et le fauteuil n’ont atteint la face qu’à 10 s. Les instants d’arrivée sont approximatifs et reposent sur la similarité de pose avec l’image 0 ; l’immobilité avant la fin de la rotation correspond au chiffre d’une image à l’autre de l’opérateur, non à un segment immobile mesuré. Ces chiffres sont ceux de l’opérateur ; les fichiers de mesure ne sont pas disponibles. Un contrôle effectué pour ce rapport sur les copies avec pauses téléchargées (SSIM en niveaux de gris de l’image décodée à chaque instant par rapport à l’image 0 décodée, par positionnement) a donné 0,920, 0,931 et 0,992 à 8, 8,5 et 9 s pour le lit départ = fin, 0,987 et 0,996 à 8 et 8,5 s pour le pouf, et 0,961, 0,978 et 0,995 à 9, 9,5 et 10 s pour le canapé d’angle, un profil compatible avec les valeurs de l’opérateur mais obtenu selon un protocole différent. Une série image par image calculée pour ce rapport (SSIM par rapport à l’image 0 en pleine résolution ; variation moyenne d’une image à l’autre sur des niveaux de gris en 480 px) reproduit ces valeurs ponctuelles ; pour le lit, la variation d’une image à l’autre passe d’une moyenne de 1,30 sur 1–8 s à 0,054 sur 9–10 s, le même profil que le « environ 1,0 contre 0,05 » de l’opérateur sur une autre échelle, et le SSIM du lit avec départ seul par rapport à l’image 0 reste proche de 0,84–0,85 jusqu’à la fin. Puisqu’un clip sans image de fin a montré la même arrivée anticipée, et que le clip automatique départ = fin du fauteuil (ci-dessous) n’est pas arrivé en avance (0,42 s avant la fin) : des deux clips départ = fin, l’un a atteint le seuil d’arrivée anticipée et l’autre non, de sorte que son lien avec l’image de fin reste incertain ; un clip de chaque ne montre pas à quelle fréquence cela se produit. Un remède possible, non développé, consiste à détecter le segment immobile avant la fin de la rotation et à le couper, afin que la pause ajoutée soit la seule pause.

Arrivée anticipée
Figure 25. SSIM de chaque image par rapport à l’image 0 (en haut) et variation moyenne d’une image à l’autre (en bas, échelle logarithmique) pour cinq clips refaits : le lit départ = fin saute à un SSIM de 0,992 entre 8,5 et 9 s et le pouf atteint 0,996 dès 8,5 s, après quoi tous deux bougent à peine ; le canapé d’angle et le canapé ne montent qu’à l’approche de 10 s ; le lit avec départ seul reste proche de 0,84–0,85 jusqu’à la fin.

Statut. Dans le clip mesuré, l’image de fin a été définie à la main : le PNG de l’image initiale composée a été placé dans les emplacements Première image et Dernière image du studio, ce qui emprunte le chemin de la première image fournie par l’utilisateur plutôt que le téléversement automatique de l’image initiale composée. Après ce clip, l’envoi automatique de l’image initiale composée comme image de fin a été développé et déployé (Section 4.4) : avec Rotation Auto ou 360°, c’est désormais le comportement par défaut avec Cadrage personnalisé. Il ne s’applique pas à la rotation de 270°, dont la pose finale diffère de celle du départ ; Balancier ±90° revient à 0° et pourrait l’utiliser, mais n’a pas été essayé et est exclu. La décision de déployer repose sur cette unique comparaison par paire et sur un jugement produit ; elle ne prouve pas l’effet, et les risques ci-dessus (absence de rotation, arrivée anticipée) s’appliquent à chaque clip réalisé par le chemin automatique. Un seul clip de ce type est consigné à ce jour (le fauteuil ci-dessous) : il a effectué un tour complet, n’est pas arrivé en avance et a conservé le cadrage, tandis que son jumeau avec départ seul s’est rapproché.

Livraison. Cinq de ces clips (tous sauf le lit avec départ seul qui a dérivé) ont été envoyés au client sous forme de liens publics avec des étapes en libre-service, selon l’opérateur. Le verdict du client n’a pas été reçu, et rien dans ce rapport ne doit être lu comme une acceptation.

Clips refaits livrés
Figure 26. Quatre des cinq clips refaits livrés (lit avec image de fin, canapé, canapé d’angle, pouf) à 0, 2,5, 5, 7,5 et 10 s : même largeur, même épaisseur et même hauteur de plateau et même studio gris dans les quatre ; le fauteuil n’est pas montré (aucune copie téléchargée n’a pu lui être rattachée).

Une seconde paire, réalisée par le chemin automatique. Peu après le déploiement de l’image de fin automatique, l’opérateur a réalisé dans le studio deux clips du fauteuil vert de l’expérience d’ancrage (Section 3) avec des réglages identiques : Kling 4 reference-to-video, 720p, 1:1, 10 s plus une pause de 1 s, taille 50 %, plateau tournant 80 %, épaisseur 4 %, centre à 70 % depuis le haut, Gris studio, Rotation Auto, cinq photos (quatre dans l’élément produit, une comme simple référence). Le premier a vraisemblablement été réalisé dans une page du studio chargée avant le déploiement et non rechargée (l’heure de chargement de la page n’est pas consignée) ; le second après un rechargement, avec les vignettes automatiques de première et de dernière image visibles, si bien que l’image initiale composée a été envoyée comme image de départ et de fin. Le fait que le premier clip ne portait pas d’image de fin est déduit du déroulement temporel et de l’état de la page, non lu dans la requête, car l’enregistrement de la génération n’indique pas si une image de fin a été envoyée. Les sorties téléchargées (940 × 940, 265 images = images 0–240 de la source de 10 s plus 24 copies de pause) ont d’abord été évaluées comme non attribuées à la Section 7.7, puis rattachées à ces deux générations d’après le journal de session. La condition départ seul du premier clip reposant sur une déduction, il s’agit d’une paire approximativement appariée dont l’attribution des conditions repose en partie sur une déduction. Mesures selon le protocole de la Section 7.7 (E = image 240) :

ProduitClipConditionnementLargeur du plateau au fil du clipCentre du plateau au fil du clipTour completImage 0 contre 240 : SSIM / MAE
Fauteuil vertclip du fauteuil avec départ seul (Figure 27)départ seul (déduit)80,1 % à 0 s, 91,2 % à 1 s, au-delà des deux bords du cadre de 1,25 s jusqu’à la fin70,2 % → 83,1 % (plage 70,2–83,3 %)a tourné pendant que la caméra se rapprochait jusqu’à un gros plan ; ne revient jamais au seuil quasi frontal de la Section 7.70,832 / 24,68
Fauteuil vertclip du fauteuil départ = fin (Figure 27)départ = fin (automatique)80,1 % dans les 41 échantillons (toutes les 0,25 s)70,1–70,2 %oui, face → côté → dos → côté → face à l’œil0,993 / 1,89

Les mesures faites à l’époque par l’opérateur (toutes les 0,5 s, protocole non consigné) vont dans le même sens : 81 %, montant au-delà des bords du cadre vers 3 s pour le clip avec départ seul ; 79,9 % et 70 % tout du long, un SSIM première/dernière image de 0,991 et une pause statique de 1 s pour le clip départ = fin. Elles diffèrent quant au moment où le plateau dépasse pour la première fois les bords du cadre (environ 3 s contre 1,25 s ici) ; la Section 7.7 utilise les valeurs du tableau. Le clip départ = fin a atteint le seuil quasi frontal 0,42 s avant la dernière image source ; il n’est donc pas arrivé en avance (la Section 7.7 compte à partir de 1 s). Son ratio de raccord est de 4,05 pour un raccord absolu de 1,89 niveau de gris, parce que le petit fauteuil bouge peu d’une image à l’autre (pas médian 0,47) ; lus ensemble, comme le demande la Section 7.7, le ratio exagère le saut.

Cela reproduit le changement à une seule variable de la paire du lit sur un second produit, à une seconde résolution (720p contre 1080p) et à une seconde hauteur de plateau (70 % contre 58 %), et par le chemin automatique plutôt qu’à la main, avec le même résultat : le bras avec départ seul s’est rapproché, le bras départ = fin a conservé le cadrage composé. Il s’agit toujours d’une prise par bras. La dérive avec départ seul est ici survenue plus tôt et a été plus forte que celle du lit ; sur l’ensemble de ces clips, la recette avec départ seul a dérivé dans deux sur six (le lit et ce fauteuil) et a tenu dans quatre.

Fauteuil vert, image de départ seule contre images de départ et de fin
Figure 27. Le fauteuil vert avec des réglages identiques et la même image 0 composée, chaque seconde de 0 à 10 s (image 240, la dernière image source) et dans la pause (11,0 s), avec la largeur du plateau selon la Section 7.7 sous chaque vignette : avec l’image de départ seule (en haut ; pas d’image de fin, déduit), le plateau dépasse les deux bords du cadre à partir d’environ 1,25 s et le clip se termine sur un gros plan de la face ; avec la même image initiale composée comme image de départ et de fin (en bas, automatique), le plateau reste à 80,1 % et le fauteuil effectue un tour complet pour revenir de face à 10 s.

Interprétation, limitée à ces deux paires. Le cadrage est une contrainte géométrique (la même taille au même endroit). La prise du lit avec départ seul a dérivé, bien qu’elle portât déjà l’image de départ composée en plus des mots de la consigne ; la prise suivante, conditionnée par la même image au départ et à la fin, n’a pas dérivé. Il en a été de même pour le fauteuil vert en 720p par le chemin automatique. L’effet de l’intervention et l’origine de la variation restent inconnus : deux paires d’une prise par bras ne permettent pas de distinguer l’image de fin de la variation d’une prise à l’autre. Cela est compatible avec l’observation principale du rapport, selon laquelle la mise en page parvient au modèle par les images plutôt que par le texte (Section 12), sans la tester ; le test contrôlé est l’ablation 5 de la Section 11.

7.7 Comparaison rétrospective

Statut. Après la rédaction des Sections 7.2–7.6, tous les clips de plateau tournant de ce travail disponibles localement ont été réévalués selon un protocole unique, à partir des seuls fichiers locaux, sans nouvelle génération ni service payant. La comparaison est rétrospective et observationnelle. Les clips ont été réalisés avant l’existence du protocole, avec des réglages modifiés délibérément ou de manière adaptative, le plus souvent un clip par condition. Rien dans cette section n’est un taux, une taille d’effet ou un résultat causal, et lorsqu’une condition a n = 1, le chiffre ne décrit que ce clip. Elle répond au besoin, soulevé à la Section 7.4, d’un protocole unique pour tous les ensembles ; elle ne remplace pas l’évaluation contrôlée de la Section 11.

Protocole (identique pour chaque clip). Décodage : ffmpeg, chaque image décodée (horodatage passthrough, sans duplication), redimensionnée par moyenne de zone à 512 × 512 px (tous les clips sont carrés), matrice YUV→RGB forcée en BT.709 plage limitée quel que soit le marquage du fichier (certains fichiers ne sont pas marqués), RGB 8 bits ; gris = 0,2126 R′ + 0,7152 G′ + 0,0722 B′ (les poids de luma Rec.709 appliqués aux valeurs encodées en gamma), en flottant, 0–255. Images de départ composées : alpha sur blanc, redimensionnement par moyenne de zone à 512 px, mêmes poids. Fin du mouvement : le segment de mouvement correspond aux images 0…E, où E est la dernière image source avant une pause ajoutée. E est tiré de la structure de fichier consignée (sorties brutes : la dernière image ; fichiers avec pauses : image 240 pour une source de 10 s, 192 et 216 pour le canapé et le pouf de production). Un détecteur est exécuté sur chaque clip mais utilisé seulement lorsque rien n’est consigné (dans l’ensemble final, aucun clip) : une pause est la suite finale d’images dont la MAE avec l’image voisine est inférieure à 0,03 niveau de gris (un pic d’image clé inférieur à 0,25 toléré), et E est l’image précédant cette suite. Il concorde à une image près avec l’enregistrement sur les fichiers avec pauses, manque le pouf de production (240 au lieu de 216, interrompu par deux pics d’image clé) et signale, dans la prise locale 2 brute et sans pause, une fin immobile de 16 images produite par le modèle lui-même ; un détecteur de suites immobiles ne peut donc pas distinguer une pause ajoutée de l’arrêt propre au modèle. Zones : image entière, et une zone centrale fixe (lignes 20–80 %, colonnes 25–75 % ; la même pour chaque clip, pas un masque du produit). Métriques : (1) SSIM des extrémités [27] (fenêtre gaussienne 11 × 11, σ 1,5, K1 0,01, K2 0,03, L 255, remplissage par réflexion, moyenne sur la zone) et MAE de l’image 0 par rapport à l’image E ; (2) MAE de raccord = MAE(image E → image 0), le pas que voit un spectateur quand le segment de mouvement boucle, pas médian entre images voisines dans 0…E, et ratio de raccord = MAE de raccord ÷ pas médian (1 = un pas ordinaire ; le seuil de réussite de l’expérience d’ancrage était ≤ 2,0) ; pour les fichiers avec pauses, il s’agit de la boucle du segment de mouvement, non du fichier avec pauses ; (3) dérive du cadrage : un détecteur de plateau sur une image sur 6 (0,25 s) plus E, qui mesure le dessus éclairé du plateau (largeur en % de la largeur du cadre, centre en % de la hauteur du cadre), validé sur des images composées de géométrie connue (des images réglées à 76 / 56 donnent 76,0 / 56,0–56,2 ; 80 / 58 donne 80,1 / 58,1 ; 80,0 / 77,9 donne 80,3 / 79,0), la première et la dernière image de mouvement de chaque clip étant vérifiées à l’œil et classées ok (20 clips), bord (le plateau atteint un bord du cadre, la largeur est donc une borne inférieure ; 20) ou non fiable (7), les largeurs n’étant rapportées que pour ok ; plus une ligne du haut du produit, sans détecteur, dont la plage au fil du clip est rapportée lorsqu’elle est valide ; (4) mise en page par rapport à l’image de départ composée, lorsqu’elle a été conservée : MAE et SSIM par rapport à l’image produite 0, différences de largeur et de centre du plateau, et MAE par rapport à l’image E ; (5) une lecture partielle de la rotation : SSIM de la zone centrale d’une image sur 2 par rapport à l’image 0, donnant l’instant de moindre similarité, un seuil quasi frontal (min + 0,8 (1 − min)), combien de secondes avant E le clip l’atteint de nouveau (arrivée anticipée), les échantillons en milieu de clip au-dessus de ce seuil, et la fin immobile à l’intérieur du segment de mouvement. La lecture (5) ne mesure pas le sens : une inversion qui ne repasse jamais par la face lui est invisible, et la métrique d’inversion propre à l’expérience d’ancrage est citée, non recalculée.

Clips. Après suppression des doublons identiques à l’octet près, 46 clips rattachés aux groupes de ce rapport ont été évalués (dont deux, la paire du fauteuil de la Section 7.6, d’abord évalués comme non attribués puis rattachés ensuite à leurs générations, l’image de fin étant alors tirée de leurs réglages) ; les fichiers qui ne pouvaient être rattachés à une génération consignée ont été exclus de toute comparaison. Pour l’expérience d’ancrage, ce sont les sorties brutes du fournisseur qui ont été évaluées plutôt que des réencodages ultérieurs.

GroupenSSIM des extrémités, image entière : médiane [min–max]MAE des extrémités, image entièreRatio de raccord
Exemples de modèles (templates) de la plateforme20,514 [0,183–0,846]52,04 [6,30–97,78]31,84 [3,06–60,62]
Premiers clips du client lui-même50,906 [0,717–0,989]6,52 [1,46–16,46]3,11 [0,96–8,24]
Tests du prompt v860,910 [0,849–0,969]4,16 [1,51–11,72]2,40 [0,55–12,92]
Prises avec couche cachée50,904 [0,775–0,989]3,75 [1,17–16,21]1,01 [0,34–5,67]
Référence, sans image composée (Section 7.2)40,930 [0,860–0,988]4,21 [1,54–5,51]1,99 [0,91–2,24]
Jeu de références à quatre vues généré10,9671,932,49
Expérience d’ancrage, condition A (consigne seule)30,899 [0,784–0,919]7,61 [7,08–21,65]10,55 [5,26–14,10]
Expérience d’ancrage, condition B (images de départ et de fin)30,996 [0,986–0,996]1,79 [1,73–1,93]1,98 [1,56–2,20]
Expérience d’ancrage, condition C (enchaînée)30,994 [0,993–0,994]4,06 [3,47–4,69]5,52 [4,90–6,00]
Prises locales avec départ composé30,995 [0,985–0,996]1,36 [1,12–1,58]3,29 [0,70–4,16]
Production, départ composé (Section 7.3)40,995 [0,994–0,997]0,66 [0,41–1,24]1,15 [1,09–1,43]
Clips refaits, image de départ seule (Section 7.6)40,996 [0,803–0,996]0,69 [0,44–16,08]1,29 [0,96–10,39]
Clip refait, images de départ et de fin (Section 7.6)10,9960,500,41
Paire du fauteuil, image de départ seule (Section 7.6)10,83224,6811,78
Paire du fauteuil, images de départ et de fin, automatique (Section 7.6)10,9931,894,05

Les groupes réunissent des clips dont le produit, le modèle, la résolution, la consigne et les réglages diffèrent (Figure 28). Les valeurs de MAE de l’expérience d’ancrage reproduisent ses propres écarts entre extrémités (21,8 / 7,7 / 7,2 ; 2,1 / 1,9 / 1,9 ; 3,5 / 3,9 / 4,5) à 0,2 niveau de gris près, avec un décodage et une taille différents.

Comparaison rétrospective par groupe
Figure 28. SSIM des extrémités (image 0 par rapport à la dernière image de mouvement, image entière, gris Rec.709 en 512 px) et ratio de raccord (échelle logarithmique ; seuil de réussite 2,0 de l’expérience d’ancrage marqué) pour les 46 clips évalués, un point par clip, par groupe ; gris = aucune image composée envoyée, bleu = image de départ composée (ou ancres enchaînées), orange = la même image composée comme image de départ et de fin. Un clip de modèle (SSIM 0,183) sort de l’axe à gauche. Les groupes diffèrent par plus d’un facteur et ne sont pas des conditions comparables.

Paires quasi appariées. Seules six comparaisons de l’ensemble diffèrent par un seul facteur consigné. Chacune a n = 1 par bras, sauf la comparaison de l’expérience d’ancrage (n = 3 par bras). P3 et P6 testent le même changement, l’image composée ajoutée comme image de fin, sur deux produits et à deux résolutions, définie à la main et automatiquement. Les différences non consignées (graine, état côté fournisseur) ne sont contrôlées dans aucune paire.

#PaireLe seul facteur consigné qui diffèreMaintenu identiqueSSIM / MAE / ratio de raccord des extrémitésCadrage et mise en pageLecture de la rotation
P1Expérience d’ancrage, condition A contre condition B (n = 3 + 3)image de face composée envoyée comme image de départ et de fin (requêtes par ailleurs identiques)Kling 3.0 Omni 720p sans son 10 s, fauteuil vert, cinq photos, texte de la consigneA 0,784 / 0,920 / 0,899 ; 21,65 / 7,61 / 7,08 ; 14,1 / 10,5 / 5,3. B 0,986 / 0,996 / 0,996 ; 1,93 / 1,79 / 1,73 ; 2,20 / 1,98 / 1,56B plateau 80,1 % / 79,0 % dans chaque échantillon ; A plateau non fiable (deux clips) ou au-delà du bord du cadre (un) ; plage du haut du produit A 15,0 / 2,7 / 3,1 pts, B 2,0 / 1,2 / 1,2 ; MAE image 0 contre face composée A 24,7 / 24,2 / 24,2 (face non envoyée), B 2,4 / 2,8 / 3,1un clip B a 2 échantillons quasi frontaux en milieu de clip, compatibles avec son dépassement consigné ; le retour en arrière consigné d’un clip A n’est pas visible pour cette lecture
P2Prise locale 1 contre prise 2disque composé dessiné à plat contre ombréKling 4 720p 10 s, fauteuil, taille 50 / plateau 76 / centre 56 / épaisseur 3, extrémité, consigne, réglages0,985 contre 0,995 ; 1,12 contre 1,58 ; 0,70 contre 4,16prise 1 plateau au-delà du bord du cadre (composition propre au modèle), MAE image 0 contre composée 54,4, largeur +24,0 pts ; prise 2 76,0–76,2 % / 56,2–56,7 %, MAE 3,4, largeur 0,0la prise 2 a une fin immobile de 0,6 s produite par le modèle, qui abaisse son pas médian et gonfle son ratio de raccord
P3Lit refait, image de départ seule contre images de départ et de finla même image composée envoyée aussi comme image de fin (définie à la main)Kling 4 1080p 10 s + 2 s de pause, second modèle de lit, plateau 80 / 4 / 58, Gris studio, consigne telle que signalée0,803 contre 0,996 ; 16,08 contre 0,50 ; 10,4 contre 0,41départ seul : 80,1 % à 0 s, puis au-delà des deux bords du cadre, centre 58,1 → 63,2 % ; départ et fin : 79,7–80,1 % / 57,5–59,2 % ; MAE image 0 contre composée 4,09 contre 3,17, image E contre composée 14,57 contre 3,17 (image composée présumée, Figure 22)départ et fin : seuil quasi frontal atteint 1,17 s avant E
P4Tests du fauteuil avec prompt v8, T4 contre T4bjeu de références : cinq photos (la cinquième acheminée comme référence distincte) contre quatre photos dans l’élémentKling 4 720p 10 s, prompt v8, fauteuil vert0,969 contre 0,941 ; 1,51 contre 2,30 ; 0,55 contre 0,91les deux plateaux au-delà des bords du cadre (s.o.)T4 commence et finit sur le dos (Section 3.1), ses meilleurs chiffres d’extrémités ne vérifient donc pas la pose de départ
P5Canapé bleu avec prompt v8 sur Kling 3.0 Omni contre Kling 4modèle (et, avec lui, taille de sortie, 960 contre 940 px, et son selon le modèle)prompt v8, canapé bleu, photos, 720p, 10 s0,849 contre 0,879 ; 11,72 contre 5,89 ; 12,9 contre 3,0les deux plateaux aux bords du cadre (s.o.)aucun ne revient au seuil quasi frontal
P6Paire du fauteuil, image de départ seule contre images de départ et de finl’image composée envoyée aussi comme image de fin (automatique ; son absence dans le clip avec départ seul est déduite, Section 7.6)Kling 4 720p 10 s + 1 s de pause, fauteuil vert, cinq photos, taille 50, plateau 80 / 4 / 70, Gris studio, Rotation Auto0,832 contre 0,993 ; 24,68 contre 1,89 ; 11,8 contre 4,05 (pas médian 2,09 contre 0,47, si bien que le raccord de 1,89 niveau paraît élevé en ratio)départ seul : 80,1 % à 0 s, 91,2 % à 1 s, au-delà des deux bords du cadre à partir de 1,25 s, centre 70,2 → 83,1 % (plage 70,2–83,3 %) ; départ et fin : 80,1 % / 70,1–70,2 % dans les 41 échantillons ; image composée non conservéele départ seul ne revient jamais au seuil quasi frontal ; départ et fin l’atteint 0,42 s avant E, aucun échantillon quasi frontal en milieu de clip

Toutes les autres comparaisons diffèrent par plus d’un facteur consigné : prise locale 2 contre prise 3 (ombre de contact, nouvelle ligne Motion et pause dans le navigateur, introduites ensemble) ; conditions d’ancrage B contre C (enchaînement, consigne par segment, ancres de fin, durée) ; référence contre production, par produit (image composée, couche de consigne, fond, taille, plateau, durée et pause) ; production contre clips refaits, par produit (fond, épaisseur, centre, taille, pause, ombre, état de la consigne) ; les clips refaits avec départ seul entre eux (seul le produit change, mais n = 1 par produit, si bien que les différences ne peuvent être distinguées de la variation d’une prise à l’autre) ; les deux clips du canapé crème du client (modèle, durée, son) ; les tests du prompt v8 contre la condition A (produit, photos, modèle, assemblage de la requête) ; les conditions A/B contre le lit refait avec départ et fin (modèle, résolution, produit, compositeur, fond, consigne) ; et les prises avec la couche cachée entre elles (version de la couche, produit, résolution, mode de rotation).

Lectures, limitées à ce que montrent les chiffres. La similarité des extrémités seule ne sépare pas les problèmes : une prise avec couche cachée consignée comme s’inversant à 180° obtient un SSIM des extrémités de 0,989 (MAE 1,17), le plus élevé hors des groupes avec image composée ; T4, qui commence et finit sur le dos, bat T4b sur chaque chiffre d’extrémités ; les clips Balancier qui reviennent de face obtiennent des scores de boucle. Le SSIM et la MAE des extrémités vérifient seulement que la dernière image de mouvement ressemble à la première, rien sur la rotation. Parmi les clips observés, les clips avec un départ composé que le modèle a suivi (conditions B et C, prises locales 2–3, production, les clips refaits sauf le lit avec départ seul, et le clip du fauteuil avec départ et fin ; n = 17) ont un SSIM des extrémités de 0,986–0,997 et une MAE de 0,41–4,69, et les clips à consigne seule (client, tests du prompt v8, prises avec couche cachée, référence, clip à références à quatre vues, condition A ; n = 24) ont un SSIM de 0,717–0,989 et une MAE de 1,17–21,65 ; produit, modèle, résolution, consigne et date diffèrent tous entre ces groupes, ce qui décrit donc l’échantillon, non un effet. Une dérive du cadrage a été observée aussi bien sans image composée (le haut du produit d’un clip de la condition A se déplace de 15 points ; le plateau d’un autre dépasse le cadre) qu’avec (les bras avec départ seul de P3 et P6). Sur les 20 clips ayant une lecture de plateau exploitable, 16 maintiennent la largeur du plateau à 0,8 point près et le centre à 1,7 point près sur le segment de mouvement ; les deux canapés de production varient de 2,3–2,5 points en largeur et de 2,1–4,0 en centre, vraisemblablement parce que le canapé masque la rangée la plus large du plateau en vue de côté (une limite du détecteur, dont il n’est pas montré qu’il s’agit d’un mouvement de caméra) ; le lit refait avec départ seul (20,7 points de largeur et 5,1 de centre avant que le plateau ne sorte du cadre) et le fauteuil avec départ seul (19,9 et 13,1, au-delà du cadre à partir de 1,25 s) sont les deux rapprochements parmi les clips évalués, et dans les deux paires le jumeau avec départ et fin a conservé le plateau. Le ratio de raccord dépend de la vitesse de mouvement d’un clip : les clips enchaînés de la condition C (pas médian d’environ 0,7) donnent 4,9–6,0 avec des raccords de 3,5–4,7 niveaux de gris, et la fin immobile produite par le modèle dans la prise locale 2 donne 4,16, si bien que le ratio et la MAE de raccord absolue doivent être lus ensemble. L’arrivée anticipée (seuil quasi frontal atteint au moins 1 s avant E) apparaît dans le lit refait avec départ et fin (1,17 s), le pouf refait (1,75 s) et une prise avec couche cachée (1,00 s) ; le fauteuil automatique avec départ et fin ne l’atteint que 0,42 s avant E, de sorte que des deux clips avec départ et fin, l’un est arrivé en avance et l’autre non.

Écarts entre ces chiffres et ceux d’autres parties de cet article. Aucune des valeurs antérieures n’est remplacée ; chacune relève de son propre protocole, et les valeurs ne sont pas interchangeables d’un protocole à l’autre.

  • Clips refaits, image 0 contre image 240 : ce protocole (512 px, l’implémentation du SSIM ci-dessus sur du gris Rec.709) donne 0,996 pour le lit avec départ et fin, le canapé, le pouf et le canapé d’angle, et 0,803 pour le lit avec départ seul. Le contrôle de la Section 7.6 (ssim de ffmpeg, Y, 1440 px, image 240) donne 0,994 / 0,994 / 0,997 / 0,995 / 0,845 ; les valeurs de l’opérateur (protocole non consigné) sont 0,993 pour le lit avec départ et fin et entre 0,993 et 0,996 pour les clips avec départ seul.
  • Clips refaits, image 0 contre image 240, MAE : 0,44–0,79 pour les quatre clips livrés et 16,08 pour le lit avec départ seul ici, contre 0,48–0,89 et 16,54 à la Section 7.6 et à la Figure 21 (le décodage en niveaux de gris de l’ensemble de figures).
  • Image composée du lit contre sortie : MAE à l’image 0 de 4,09 (départ seul) et 3,17 (départ et fin), à l’image E de 14,57 et 3,17 ici, contre 3,08 / 2,13 et 15,20 / 2,11 à la Figure 22 (la comparaison de l’ensemble de figures à sa propre taille).
  • Paire du fauteuil : clip avec départ et fin, SSIM image 0 contre image 240 de 0,993 ici contre 0,991 pour l’opérateur (protocole non consigné) ; clip avec départ seul, plateau au-delà des bords du cadre à partir de 1,25 s ici contre environ 3 s dans les échantillons de 0,5 s de l’opérateur.
  • Géométrie du plateau des quatre clips refaits livrés : largeur de 79,3–80,1 % et centre de 57,0–59,2 % sur la rotation selon ce détecteur, contre 80,1 % / 58,1 % dans chaque échantillon pour l’opérateur (Section 7.6).
  • Arrivée anticipée : le lit avec départ et fin 1,17 s et le pouf 1,75 s avant E ici, contre environ 1 s et 1,5 s d’après les valeurs ponctuelles de SSIM de l’opérateur et de la Section 7.6.
  • MAE des extrémités en production : canapé d’angle 0,62 et pouf 0,41 ici, contre 0,92 et 0,57 à la Section 7.3 (protocole non consigné) ; le fauteuil (0,70) et le canapé (1,24), non consignés individuellement à la Section 7.3, sont mesurés ici, si bien que la plage sur les quatre clips est de 0,41–1,24 selon ce protocole, contre 0,57–1,79 rapporté en interne.
  • SSIM des extrémités de la référence : 0,860–0,988 ici (le canapé est à 0,988), contre 0,85–0,97 à la Section 7.2 (le protocole propre à la référence).
  • Prise locale 3 : 0,996 ici contre 0,98 à la Section 7.3.
  • MAE de l’expérience d’ancrage : à 0,2 niveau de gris près de ses propres écarts entre extrémités (ci-dessus).
  • Ratio de raccord de T4 et T4b : 0,55 et 0,91 ici, contre 0,49 et 0,88 (image entière) dans l’étalonnage de l’expérience d’ancrage et 1,0 et 1,5 (recadrage central) dans l’analyse antérieure (Section 3.1).

Réserves. La comparaison est observationnelle : chaque clip est antérieur au protocole, et aucun clip n’a été réalisé pour le tester. Les groupes sont confondus : produit, modèle, résolution, version de la consigne, composition, fond et date changent ensemble d’un groupe à l’autre, si bien que les différences entre groupes ne peuvent être attribuées ni à l’image composée ni à quoi que ce soit d’autre. Le SSIM des extrémités seul est trompeur : une prise inversée obtient 0,989 et une prise commençant sur le dos (T4) bat sa paire ; les chiffres d’extrémités sont donc lus avec les lectures de cadrage, de raccord et de rotation, et avec les images elles-mêmes. Les effectifs sont faibles : n = 3 par bras dans P1, n = 1 par bras dans P2–P6 (le changement d’image de fin a deux paires de ce type, sur deux produits), n = 1 pour chaque clip avec départ et fin de la Section 7.6, et un clip par produit dans le groupe des clips refaits avec départ seul. Le détecteur de plateau mesure le dessus éclairé et peut lire quelques points trop étroit sur les plateaux ombrés, et les produits qui masquent la rangée la plus large du plateau déplacent la rangée choisie ; la lecture de la rotation ne mesure pas le sens. Deux clips discutés dans cet article n’ont pas de copie locale et ne sont pas évalués (le clip à ligne Layout numérique et le fauteuil refait), et les images de départ composées n’ont pas été conservées pour les clips de production et les clips refaits avec départ seul, si bien que la lecture de mise en page n’est pas disponible pour eux. Aucune affirmation causale n’est tirée de ces chiffres.

8. Comparaison avec d’autres approches

8.1 Approches essayées (détails en Section 3)

ApprocheR1 tailleR2 maintien sur le plateauR3 extrémitésInversionSéquence animée générée par le modèleStatut
Formulation de la consigne et couches cachées (Kling 3.0 Omni, Kling 4)non contrôléeéchec sur le canapé d’angleSSIM 0,85–0,97, en deçà de la face—ouiabandonnée
Ligne Layout numérique seule (Kling 4, 1 clip)ignorée———ouiabandonnée
Image composée départ = fin (Kling 3.0 Omni, 3 clips)3/3 à 3 % près3/3, 16 images à l’œil3/3 ≤ 4 niveaux de gris1/3 a dépassé puis est revenuouiarrêtée
Quatre clips de 90° enchaînés (Kling 3.0 Omni, 3 clips, 12 appels au fournisseur)3/33/3, 16 images à l’œil2/3 ≤ 4 niveaux de gris1/3 inverséouiarrêtée
Jeu de références à quatre vues généré (Kling 4, 1 clip)—aucun dépassement observé dans les images échantillonnéesextrémités proches de la face, non confondues—oui ; dérive structurelleabandonnée
Rendu 3Dexplicitement contrôlable dans une scène correctement configuréecontrôlable (scène et trajectoire)contrôlable (trajectoire périodique)contrôlablenonnon réalisée
Image de départ composée (Kling 4, livrée)réglée par l’utilisateur dans l’image 0 ; mise en page suivie approximativement dans 6/6, fond conservé dans 3/4 clips de production ; série de clips refaits : image 0 suivie dans 5/5, puis le cadrage a dérivé jusqu’à ce que le plateau sorte du cadre dans 1/5 (lit)4/4 aucun dépassement observé dans les images échantillonnéesMAE 0,57–1,79, 4/4 (rapporté en interne) ; clips refaits SSIM 0,993–0,996 dans 4/5, lit 25 % plus grand à la fin0 observée dans le sens par défaut ; 1/1 sens non par défaut ignoréouien ligne
Image composée comme image de départ et de fin (Kling 4, 2 clips : lit défini à la main, fauteuil automatique)cadrage conservé dans chaque échantillon évaluable dans les deux (deux vues de côté masquées du lit exclues)non évalué séparémentSSIM 0,993 lit (opérateur), 0,993 fauteuil (protocole de la Section 7.7), en partie le conditionnement lui-même ; lit arrivé de face environ 1 s trop tôt, puis presque immobile ; fauteuil pas en avancetour complet dans les deux, aucune observée à l’échantillonnage utilisé ; non mesuréeouiautomatique sur Auto / 360° depuis le soir même ; un clip par le chemin automatique consigné (le fauteuil)

Les seuils et les produits diffèrent d’une ligne à l’autre ; le tableau n’est donc pas une comparaison contrôlée. La condition départ = fin sous Kling 3.0 Omni a satisfait, dans ses trois clips, les trois mêmes défauts nommés selon ses propres seuils ; son échec tenait au critère supplémentaire d’inversion, et le travail sur ce modèle a été arrêté. Avec Cadrage personnalisé et un détourage, il existe désormais trois chemins de requête : l’image initiale composée comme image de départ seule (270° et Balancier, ou un modèle sans image de fin) ; l’image initiale composée comme image de départ plus la même image comme image de fin automatique (Auto et 360°) ; et l’image initiale composée comme image de départ plus une image de fin fournie par l’utilisateur, qui conserve le conditionnement par l’image de fin mais remplace l’extrémité automatique et n’est pas testée ici. Une première image définie par l’utilisateur remplace entièrement l’image initiale composée. La méthode livrée a été retenue comme un compromis d’ingénierie : un modèle plus récent, une seule génération par clip, un aperçu visible par l’utilisateur et aucune inversion observée dans le sens par défaut, au prix d’un taux non mesuré.

8.2 Plateaux tournants en rendu 3D

Une plateforme 3D calcule la rotation à partir d’un modèle 3D ; l’article de Cylindo décrit le rendu de « 32 frames of the product rotating 360 degrees while the camera remains static » [25]. Avec un modèle exact, l’échelle, le maintien sur le plateau, la fermeture de la boucle, l’amplitude et le cadrage deviennent explicitement contrôlables, mais ils ne découlent pas du seul rendu : ils ne sont assurés que dans une scène correctement configurée, avec une échelle physique commune et les dimensions réelles de chaque produit, le produit placé et contrôlé par rapport à l’empreinte du plateau (aucune partie au-delà du bord du plateau, quel que soit l’angle), et une trajectoire périodique dont le dernier angle échantillonné s’arrête un pas avant le premier, de sorte que le raccord soit continu. Le coût consiste à modéliser chaque produit avec ses matériaux. Cette voie a été conçue, non testée (Section 3.1). Aucun fichier 3D n’a été obtenu pour ce client, et les générateurs photo-vers-3D devinent les surfaces cachées.

8.3 Séries de rotation photographiées

Un plateau tournant motorisé synchronisé avec un appareil photo, comme la Turning Platform de PhotoRobot [26], dont la page décrit des « software-driven controls » qui « ensure smooth turntable rotation in sync with precise camera capture » pour des produits incluant du mobilier, capture le produit réel à des angles fixes avec un appareil fixe. Cela exige la pièce physique, un studio et des manipulations pour chaque SKU. La page étaye une capture synchronisée ; elle n’établit pas à elle seule une boucle exacte au pixel près.

8.4 Autres outils vidéo d’IA

Les catégories d’éléments probants sont tenues séparées. Fonctionnalités documentées : les pages d’aide du Product Animator de Photoroom [22, 23] décrivent jusqu’à quatre images de référence, un mouvement choisi par modèle prédéfini, un format d’image et une consigne « designed for adding extra details or making minor changes », les photos étant recadrées au centre selon la forme choisie ; les pages que nous avons lues ne décrivent aucune commande de taille, de position, de plateau tournant, d’amplitude ou de boucle, ce qui n’établit pas que le produit en soit dépourvu. Le guide utilisateur de Kling 4 publié par Kling [20] décrit les images de début, de fin, de début et de fin ainsi que les images intermédiaires dans son entrée Keyframes, séparément des ressources de référence ; il ne constitue pas une spécification de l’endpoint combiné reference-to-video de fal. Affirmations de fournisseurs : l’article de Higgsfield [24] affirme que son moteur « inherits the exact product geometry and lighting from the uploaded hero frame » ; il s’agit d’une affirmation du fournisseur, non d’une validation du même mécanisme ni de la même fidélité. Non examinés : les interfaces web de Runway, Pika, Kling et d’autres outils de vidéo produit ; les extraits de résultats de recherche n’ont pas servi d’éléments de comparaison. Nous n’affirmons pas que RefVid soit le seul outil doté de cette commande.

9. Travaux connexes

Génération vidéo conditionnée par une image. Stable Video Diffusion [1] entraîne une diffusion vidéo latente pour la génération image-vers-vidéo ; DynamiCrafter [2] injecte une image d’entrée par une représentation de contexte alignée sur le texte et par concaténation avec le bruit initial. Ces travaux justifient l’emploi d’une image composée comme support de la mise en page ; ils ne disent rien d’un endpoint commercial reference-to-video où une image de départ entre en concurrence avec des références du sujet, et notre échec avec le disque plat montre que le respect n’y est pas automatique.

Conditionnement par images clés et par boucle. Generative Inbetweening [3] fusionne des passes avant et arrière d’un modèle image-vers-vidéo préentraîné pour générer des images entre deux images clés ; entre les ancres, le modèle synthétise toujours le mouvement. Mobius [4] produit des boucles sans raccord visible en traitant les latents comme un cycle ; DreamLoop [5] utilise l’image d’entrée à la fois comme condition de première et de dernière image pour des cinémagraphes. Tous deux modifient l’échantillonnage ou l’entraînement et ne sont pas disponibles sur l’endpoint que nous utilisons ; nous leur empruntons l’emploi de l’erreur entre première et dernière image comme mesure de la boucle, tout en notant (Section 7.3) que l’erreur entre extrémités ne mesure pas à elle seule la continuité du raccord.

Nouvelles vues, orbites et cohérence multivue du sujet. Zero-1-to-3 [6], Zero123++ [7] et SV3D [8] génèrent de nouvelles vues ou des orbites d’un objet à partir d’une seule image ; les faces non vues sont inférées. Le modèle publié de SV3D produit 21 images en 576 × 576, en deçà de la résolution requise. MV-S2V [9] utilise plusieurs vues de référence d’un sujet pour une vidéo cohérente en 3D (modèle publié en 480p) ; OmniShowcase [10] ajoute un conditionnement par normales de surface et un entraînement sur des orbites synthétiques, son code d’inférence étant annoncé comme prévu au moment de notre examen. Aucun des deux n’a été exécuté. Tous deux sont cohérents avec notre choix de continuer à envoyer toutes les photos réelles comme références et de n’utiliser l’image initiale composée que pour les extrémités (le départ et, pour les tours complets, aussi la fin).

Contrôle spatial et contrôle de la caméra. CameraCtrl [11] et MotionCtrl [12] ajoutent des modules entraînés de contrôle de la caméra ou du mouvement. CamTrol [13] ne nécessite pas d’entraînement : il refait le rendu de la mise en page de l’image d’entrée dans un espace de nuage de points 3D et utilise le résultat pour construire les latents bruités d’un modèle de diffusion vidéo préentraîné. ViewCrafter [14] conditionne un modèle de diffusion vidéo par des rendus 3D à base de points le long d’une trajectoire de caméra planifiée, pour la synthèse de nouvelles vues. I2VControl [15] unifie les contrôles de caméra, de glisser-déposer et de pinceau de mouvement pour l’image-vers-vidéo. VACE [16] organise les entrées de référence, d’édition et de masque en une unité de condition unique pour un transformeur de diffusion ; avec des workflows ComfyUI basés sur Wan, il peut combiner des images de référence avec des vidéos de profondeur ou d’autres vidéos de contrôle, ce qui en fait une voie candidate pour imposer une structure au-delà de la première image, même s’il faut pour cela des vidéos de contrôle adaptées. Un plateau tournant diffère d’une orbite de caméra : l’objet tourne tandis que les lumières, la caméra et le fond restent fixes dans le monde. Son ombre portée n’est pas fixe : sous un éclairage fixe, la forme de l’ombre change avec l’orientation de l’objet, et elle ne tourne pas non plus simplement avec l’objet. Les méthodes d’orbite ne se transposent donc pas telles quelles.

Ces méthodes se distinguent selon trois questions distinctes : la façon dont la méthode a été développée, l’existence ou non de poids ou de code d’inférence publiés, et l’accès dont un praticien a besoin pour l’utiliser. CameraCtrl, MotionCtrl, I2VControl, SV3D, MV-S2V et OmniShowcase ont été développés par entraînement ou affinage de modules ou de modèles ; lorsque les poids sont publiés (par exemple pour SV3D et MV-S2V), ils peuvent être utilisés en inférence sans réentraînement, même si un nouveau modèle de base ou un nouveau domaine peut nécessiter un affinage. CamTrol ne nécessite pas d’entraînement mais, comme le conditionnement à la DynamiCrafter, opère sur les latents du modèle. VACE fonctionne sur des poids de modèle ouverts. Tous exigent en général l’accès à des poids de modèle adaptés et à un pipeline d’inférence. Notre cadre est une API en boîte noire, où seules les images de départ, intermédiaires et de fin, les références et le texte peuvent être modifiés. La composition de l’entrée est la forme de conditionnement spatial disponible à ce niveau d’accès.

Reconstruction 3D. 3D Gaussian Splatting [17] reconstruit des scènes à partir de captures multivues calibrées ; trois ou quatre photos de catalogue n’offrent pas la couverture qu’il suppose.

Évaluation. VBench [18] décompose la qualité vidéo en dimensions distinctes (cohérence du sujet, fluidité du mouvement, scintillement temporel, entre autres) avec une validation par préférences humaines. Il justifie d’évaluer séparément la fidélité, la fluidité et la cohérence temporelle ; il ne remplace pas des contrôles géométriques propres à la tâche, comme le maintien sur le plateau et la pose aux extrémités.

10. Limites

  • Échantillon exploratoire. Quatre clips de production (un par produit, chacun avec des réglages différents), deux clips locaux Kling 4 réussis, six clips d’ancrage Kling 3.0 Omni et six clips refaits avec des réglages communs (cinq avec départ seul, un départ = fin, Section 7.6) ; sans insu, adaptatif, sans produits mis de côté. Aucun taux ne peut être avancé.
  • Reproductibilité. Deux valeurs d’extrémités de production et le protocole de mesure du jour de production ne sont pas consignés ; le clip de production du fauteuil n’est identifié que par un enregistrement ultérieur (Section 7.3). Le script de l’expérience d’ancrage utilise le constructeur de consigne et la tarification actuels, si bien que le relancer aujourd’hui ne reproduirait pas forcément la requête historique ; les sorties d’ancrage brutes n’ont pas été archivées et les clips archivés sont des copies réencodées, ce qui compte pour de petites différences de pixels. On ne sait pas si une couche de consigne côté serveur a remplacé des parties du prompt v9 lors de générations de production ultérieures (Section 3.1). Le modèle du fournisseur peut changer sans point de contrôle reproductible.
  • Échelle. La règle de taille normalise l’occupation par forme ; la proportion entre produits dépend des réglages de l’utilisateur (Section 4.3).
  • Emprises au sol génériques. Chaque forme utilise une seule emprise au sol ; le W × D réel d’un produit n’est pas utilisé.
  • Vue de détourage unique. Seule la photo de face est composée ; le disque dessiné est vu sous 14° alors que les photos sont prises à peu près à hauteur d’œil, de sorte que les meubles hauts ou profonds peuvent présenter un décalage de perspective. Les points de contact du détourage 2D ne sont pas localisés et la caméra n’est pas étalonnée.
  • Pas d’échec bloquant (fail-closed). Un échec de la composition ou du téléversement se replie sur une génération non conditionnée ; un échec de la pause laisse le clip brut.
  • Sens. Seul le sens horaire est proposé ; une demande dans le sens antihoraire a été ignorée.
  • Démarrage lent. En partant d’une image composée fixe, la première seconde tourne lentement dans les clips examinés.
  • Dérive du cadrage après l’image 0. Suivre la mise en page composée à l’image 0 ne la maintient pas : deux des six clips avec départ seul (un lit et un fauteuil) se sont rapprochés jusqu’à ce que le plateau sorte du cadre (Section 7.6), et la ligne Camera de la consigne ne l’a pas empêché. On ne sait pas si la dérive est propre au produit ou relève d’une variation aléatoire, ni quels produits sont exposés. Les deux clips départ = fin qui n’ont pas dérivé sont des prises uniques sur deux produits ; l’effet n’est pas établi, et le risque que des images de départ et de fin identiques suppriment la rotation n’a pas été exclu par deux tours complets. Départ = fin est néanmoins le comportement par défaut sur Auto et 360°, si bien que ces risques s’appliquent désormais au chemin livré, pour lequel un seul clip est consigné à ce jour.
  • Arrivée anticipée. Deux des cinq clips refaits livrés (le lit avec l’image de fin, le pouf sans ; le lit avec départ seul qui a dérivé n’a pas été évalué) ont atteint la pose de face 1–1,5 s avant la fin de la rotation et sont restés presque immobiles, si bien qu’avec la pause de 2 s la pause visible était d’environ 3 s pour le lit et 3,5 s pour le pouf (Section 7.6). La cause et la fréquence sont inconnues ; couper le segment immobile est un remède possible, non développé.
  • Non testé ou à peine testé. Les lits (deux clips du second modèle de lit, un par condition, Section 7.6 ; les photos corrigées du lit de la collection n’ont pas été reçues), 9:16 et 16:9, les objets asymétriques, les matériaux difficiles, end_image_url composé au-delà de deux clips, l’un défini à la main et l’autre par le chemin automatique (n = 1 chacun ; intégré au chemin automatique pour Auto et 360° ; non applicable à 270° ; Balancier ±90° non essayé et exclu), middle_image_urls sur Kling 4 (l’implémentation actuelle ne transmet pas les images intermédiaires), les contrôles automatisés du maintien sur le plateau image par image.
  • Mesures des clips refaits non revérifiables. Les largeurs et centres du plateau et les valeurs de SSIM de la Section 7.6 sont rapportés par l’opérateur, et les fichiers de mesure ne sont pas disponibles ; seuls trois clips sont rattachés à des fichiers téléchargés par leur nom, et les deux fichiers du lit par leur contenu ; le fauteuil refait n’a pas de copie téléchargée.
  • Image 0 révisée non comparée. Les six clips refaits ont utilisé le fond Gris studio ; on ne sait pas si leur image 0 portait aussi l’ombre extraite de la photo, et aucune comparaison des variantes d’ombrage n’a été réalisée. Avant eux, le choix du fond, la suppression de l’ellipse d’emprise dessinée et l’ombre extraite de la photo (Section 5) n’avaient été utilisés dans aucune génération ; les clips Kling 4 avec image composée des Sections 7.3–7.5 (les prises locales et les clips de production) ont été réalisés à partir de l’image antérieure avec des formes d’ombre dessinées, les images d’ancrage ont été composées par des scripts distincts, et la référence (Section 7.2) n’avait pas d’image composée. Les limites propres à l’ombre extraite sont énumérées à la Section 5.6.
  • Acceptation du client en attente. La réponse du client à la première livraison demandait quatre ajustements (Section 3.1). Cinq clips refaits avec le fond Gris studio et des réglages fixes ont été envoyés le même jour (selon l’opérateur) ; le verdict du client n’a pas été reçu.
  • Outils pour le catalogue. Les préréglages nommés et le traitement par lots pour un grand catalogue ne sont pas développés.

11. Évaluation prévue (travaux futurs)

Rien de ce qui est décrit dans cette section n’a été réalisé.

Plan d’expérience. 20–30 produits variés (canapés, fauteuils, canapés d’angle, poufs, lits, ainsi que des objets asymétriques et des matériaux difficiles, comme des articles brillants, transparents ou à texture fine), tenus à l’écart du développement, × 3–5 répétitions par condition principale, les effectifs définitifs étant fixés par une analyse de puissance fondée sur la variance du pilote. L’analyse regroupe par produit ; les images ne sont pas des échantillons indépendants. Le maintien sur le plateau, la fidélité structurelle et la visibilité du raccord sont notés par des annotateurs indépendants en aveugle.

Références et ablations, avec des entrées, des budgets et des réglages appariés :

  1. Référence avec références seules et la même consigne finale.
  2. Consigne Layout numérique sans image de départ composée.
  3. Image de départ composée avec et sans la ligne Layout.
  4. Composition plate contre composition ombrée, tout le reste étant fixé et l’ordre randomisé.
  5. Départ seul contre départ = fin sous Kling 4, l’image initiale composée étant envoyée à la fois comme start_image_url et comme end_image_url (Section 7.6), répété au moins 3–5 fois par produit pour tous les types de produits, meubles les plus profonds et les plus hauts compris, avec des réglages et une consigne identiques. Mesures : largeur et centre du plateau dans chaque image (avec une étiquette « non évaluable » lorsque le produit masque la rangée la plus large du plateau) et proportion de clips qui dérivent ; détection de la rotation complète et des inversions à pleine fréquence d’images, y compris pour les clips qui ne tournent pas ou qui tournent en partie puis reviennent ; similarité des extrémités rapportée avec la réserve que le conditionnement départ = fin est un objectif qui favorise l’accord des extrémités (non une garantie, et de contribution non mesurée), la continuité du mouvement au raccord étant donc notée séparément ; et l’instant où la pose de face est atteinte ainsi que la durée de tout segment immobile avant la fin de la rotation (arrivée anticipée, Section 7.6). Départ = fin étant désormais le comportement par défaut sur Auto et 360°, le bras avec départ seul doit être produit délibérément et étiqueté comme tel. Une variante qui coupe un segment immobile anticipé détecté avant d’ajouter la pause, si elle est développée, est évaluée avec les mêmes mesures. En option, des ancres intermédiaires composées via middle_image_urls, et Balancier ±90° en départ = fin.
  6. Image de départ seule contre image de départ plus références multivues.
  7. Un second modèle vidéo compatible et un workflow commercial pertinent.
  8. Ombre du produit dans l’image 0 : aucune contre extraite de la photo (et, comme référence, l’ellipse dessinée), tout le reste étant fixé, sur des produits à empreinte presque rectangulaire et en L ; mesurée comme contact plausible entre produit et plateau, éclairage cohérent avec des lumières fixes, marques résiduelles indésirables sur le plateau, et respect de la mise en page. Une ombre qui tourne rigidement avec le produit, ou qui reste fixe, est consignée comme un comportement observé, et non comptée comme une réussite.
  9. Fond : Clair contre Gris studio, mesuré comme conservation du fond (le fond de la première image produite comparé au fond composé), rapporté séparément du respect de la mise en page.
  10. Qualité du bord de l’ombre extraite : exemples rendus avec alpha adouci, contamination colorée des bords, troncature de la région et rognage à la limite du plateau, avec une métrique sur la zone du bord (une bande autour du bord adouci du détourage) plutôt qu’une moyenne sur l’image entière.

Essais supplémentaires. Une variante à échelle physique fixe (diamètre de plateau commun, dimensions réelles des SKU) avec mesure du rapport de largeur entre produits ; des tests de réponse du curseur (la taille produite suit-elle s de façon monotone ?) ; 9:16 et 16:9 ; pauses fractionnaires et pauses initiales ; clips avec pauses et audio.

Mesures, selon un protocole versionné unique appliqué aussi bien aux anciens qu’aux nouveaux clips : MAE et SSIM sur l’image entière et sur la région du produit, avec espace colorimétrique et résolution précisés ; erreur de pose aux extrémités ; discontinuité du mouvement au raccord comparée à la distribution des écarts entre images adjacentes du clip lui-même, pauses exclues, clip par clip ; sorties du plateau avec des exclusions de visibilité définies et une catégorie « non évaluable », examinées sur toutes les images ou avec un échantillonnage justifié ; détection de la rotation complète et des inversions ; latence ; coût par clip acceptable, reprises et temps de l’opérateur compris. Les fichiers bruts et les fichiers avec pauses sont identifiés séparément et, pour chaque clip, la requête telle qu’envoyée (consigne remplie comprise), les images composées et de référence et les notes individuelles sont conservées.

12. Conclusion

Pour cette tâche, le texte n’a pas transmis la géométrie au modèle : la formulation, les instructions de mise en page numériques et les couches de consigne cachées n’ont contrôlé ni la taille, ni le maintien sur le plateau, ni la pose aux extrémités dans les tests que nous avons menés. Une image de départ composée — le détourage propre au produit sur un plateau tournant à ombrage photographique, avec des paramètres réglés par l’utilisateur — a vu sa mise en page du produit et du plateau suivie approximativement, à l’œil, par Kling 4 dans chaque cas de disque ombré observé ; le fond composé a été conservé dans 3 des 4 clips de production, si bien que le respect de la mise en page n’est pas une correspondance de l’image entière. Dans ces quatre clips, aucune partie n’a été observée au-delà du bord dans les images échantillonnées, et l’écart signalé entre extrémités était faible. Les pauses sont ajoutées de manière déterministe après la génération lorsque le traitement dans le navigateur réussit. Ce que le système contrôle, c’est l’image d’entrée et la cohérence du placement sur le plateau tournant d’un produit à l’autre ; il laisse la proportion entre produits à l’utilisateur et tout ce qui suit l’image 0 au modèle. Deux clips ultérieurs ont montré ce que cela laisse ouvert : l’image 0 a été suivie, puis la caméra s’est rapprochée jusqu’à ce que le plateau sorte du cadre (un lit, et un fauteuil supposé avoir été réalisé avec l’image de départ seule, avant que l’image de fin automatique n’atteigne la page de l’opérateur ; c’est déduit, non consigné) ; dans chaque cas, une prise avec la même image composée utilisée aussi comme image de fin n’a pas dérivé. L’effet de l’intervention et l’origine de la variation restent inconnus. L’image de fin est depuis devenue le comportement par défaut sur Auto et 360°, par décision d’ingénierie ; elle conditionne les deux extrémités du clip par l’image composée et laisse au modèle le mouvement intermédiaire, y compris l’arrivée anticipée de face et le tour complet. Avec le fond Gris studio, un studio gris a été signalé par l’opérateur dans les six clips refaits, vu pour ce rapport dans les cinq rattachés à des fichiers téléchargés, et proche de la référence ajustée aux points mesurés ; cet ensemble est rapporté séparément des 3 sur 4 antérieurs. Les clips refaits sont entre les mains du client, dont le verdict est en attente. Savoir si le comportement observé se vérifie en tant que taux, d’un produit et d’un format à l’autre, et face à des références plus simples, est l’objet de l’évaluation prévue.

Références

  1. [1]A. Blattmann, T. Dockhorn, S. Kulal, D. Mendelevitch, et al. "Stable Video Diffusion: Scaling Latent Video Diffusion Models to Large Datasets." arXiv:2311.15127, 2023. https://arxiv.org/abs/2311.15127 (read 2026-11-13)
  2. [2]J. Xing, M. Xia, Y. Zhang, H. Chen, W. Yu, et al. "DynamiCrafter: Animating Open-domain Images with Video Diffusion Priors." arXiv:2310.12190, 2023. https://arxiv.org/abs/2310.12190 (read 2026-11-13)
  3. [3]X. Wang, B. Zhou, B. Curless, et al. "Generative Inbetweening: Adapting Image-to-Video Models for Keyframe Interpolation." ICLR 2025; arXiv:2408.15239. https://arxiv.org/abs/2408.15239 (read 2026-11-13)
  4. [4]X. Bi, J. Yuan, B. Liu, et al. "Mobius: Text to Seamless Looping Video Generation via Latent Shift." arXiv:2502.20307, 2025. https://arxiv.org/abs/2502.20307 (read 2026-11-13)
  5. [5]A. Mahapatra, L. Mai, C. Ham, F. Liu. "DreamLoop: Controllable Cinemagraph Generation from a Single Photograph." arXiv:2601.02646, 2026. https://arxiv.org/abs/2601.02646 (read 2026-11-13)
  6. [6]R. Liu, R. Wu, B. Van Hoorick, et al. "Zero-1-to-3: Zero-shot One Image to 3D Object." arXiv:2303.11328, 2023. https://arxiv.org/abs/2303.11328 (read 2026-11-13)
  7. [7]R. Shi, H. Chen, Z. Zhang, et al. "Zero123++: a Single Image to Consistent Multi-view Diffusion Base Model." arXiv:2310.15110, 2023. https://arxiv.org/abs/2310.15110 (read 2026-11-13)
  8. [8]V. Voleti, C.-H. Yao, M. Boss, A. Letts, et al. "SV3D: Novel Multi-view Synthesis and 3D Generation from a Single Image using Latent Video Diffusion." arXiv:2403.12008, 2024. https://arxiv.org/abs/2403.12008 (read 2026-11-13); model card https://huggingface.co/stabilityai/sv3d (reviewed 2026-11-11)
  9. [9]Z. Song, X. Gong, B. Liu, Z. Zhao. "MV-S2V: Multi-View Subject-Consistent Video Generation." arXiv:2601.17756, 2026. https://arxiv.org/abs/2601.17756 (read 2026-11-13); code https://github.com/Szy-Young/MV-S2V (reviewed 2026-11-11)
  10. [10]J. Ahn, G. Kim, K. Kim, et al. "OmniShowcase: Omnidirectional Subject-Consistent Video Generation from Multi-View Images." arXiv:2610.35684, 2026. https://arxiv.org/abs/2610.35684 (read 2026-11-13)
  11. [11]H. He, Y. Xu, Y. Guo, et al. "CameraCtrl: Enabling Camera Control for Text-to-Video Generation." arXiv:2404.02101, 2024. https://arxiv.org/abs/2404.02101 (read 2026-11-13)
  12. [12]Z. Wang, Z. Yuan, X. Wang, T. Chen, M. Xia, et al. "MotionCtrl: A Unified and Flexible Motion Controller for Video Generation." SIGGRAPH 2024; arXiv:2312.03641. https://arxiv.org/abs/2312.03641 (read 2026-11-13)
  13. [13]C. Hou, Z. Chen. "Training-free Camera Control for Video Generation" (CamTrol). arXiv:2406.10126, 2024. https://arxiv.org/abs/2406.10126 (abstract read 2026-11-13)
  14. [14]W. Yu, J. Xing, L. Yuan, W. Hu, et al. "ViewCrafter: Taming Video Diffusion Models for High-fidelity Novel View Synthesis." arXiv:2409.02048, 2024. https://arxiv.org/abs/2409.02048 (abstract read 2026-11-13)
  15. [15]W. Feng, T. Qi, J. Liu, M. Sun, et al. "I2VControl: Disentangled and Unified Video Motion Synthesis Control." ICCV 2025; arXiv:2411.17765. https://wanquanf.github.io/I2VControl (project page read 2026-11-13)
  16. [16]Z. Jiang, Z. Han, C. Mao, J. Zhang, et al. "VACE: All-in-One Video Creation and Editing." arXiv:2503.07598, 2025. https://arxiv.org/abs/2503.07598 (abstract read 2026-11-13); code https://github.com/ali-vilab/VACE (reviewed 2026-11-11)
  17. [17]B. Kerbl, G. Kopanas, T. Leimkühler, G. Drettakis. "3D Gaussian Splatting for Real-Time Radiance Field Rendering." ACM Transactions on Graphics 42(4), 2023; arXiv:2308.04079. https://arxiv.org/abs/2308.04079 (read 2026-11-13)
  18. [18]Z. Huang, Y. He, J. Yu, F. Zhang, et al. "VBench: Comprehensive Benchmark Suite for Video Generative Models." arXiv:2311.17982, 2023. https://arxiv.org/abs/2311.17982 (abstract read 2026-11-13)
  19. [19]fal.ai, Kling 4 reference-to-video API and llms.txt. https://fal.ai/models/kling/v4/reference-to-video/api and https://fal.ai/models/kling/v4/reference-to-video/llms.txt (read 2026-11-13)
  20. [20]Kling AI, "Kling 4 model user guide." https://kling.ai/quickstart/kling-4-model-user-guide (read 2026-11-13, first 100,000 characters)
  21. [21]fal.ai, Bria background removal (RMBG 2.0). https://fal.ai/models/fal-ai/bria/background/remove (read 2026-11-13)
  22. [22]Photoroom Help, "How to use Product Animator." https://help.photoroom.com/en/articles/16013315-how-to-use-product-animator (read 2026-11-13)
  23. [23]Photoroom Help, "Troubleshooting Product Animator videos." https://help.photoroom.com/en/articles/17704481-troubleshooting-product-animator-videos (read 2026-11-13)
  24. [24]Higgsfield, "Best way to create a cinematic 360-degree orbit shot with AI." https://geo.higgsfield.ai/blog/best-way-create-cinematic-360-degree-orbit-shot-ai (read 2026-11-13)
  25. [25]Cylindo blog, "3D product visualization for furniture e-commerce." https://blog.cylindo.com/3d-product-visualization-furniture-ecommerce (read 2026-11-13)
  26. [26]PhotoRobot, "Turning Platform." https://www.photorobot.com/robots/turning-platform (read 2026-11-13)
  27. [27]Z. Wang, A. C. Bovik, H. R. Sheikh, E. P. Simoncelli. "Image Quality Assessment: From Error Visibility to Structural Similarity." IEEE Transactions on Image Processing 13(4), 600–612, 2004. https://doi.org/10.1109/TIP.2003.819861

Annexe A. Prompt tel que construit (v9, Kling 4, Cadrage personnalisé, rotation Auto, sens horaire)

Les {…} sont remplis à partir des réglages ; la ligne Scene contient les mots de l’utilisateur (par défaut, le texte du modèle (template)).

Scene: {name}, matching the reference appearance and proportions, is on a circular white studio turntable against a light grey seamless background, under soft even studio light, with the entire product in sharp focus.
Layout: Use these layout settings throughout: the turntable's full projected horizontal width is {plate}% of frame width. Its top-surface centre is {position}% of frame height down from the top edge. It is a low, flat, solid disc of uniform vertical thickness, {thickness}% of its physical diameter, with a plain white top and nothing rising from it except the product's own legs. The product's farthest point horizontally from the disc's centre is {size}% of the disc's radius. At 0°, align the midpoints of the product's full frame-left/frame-right and camera-near/camera-far spans with the disc's centre.
Rotation: Frame 1 shows the product at exactly 0°, the first reference orientation, front facing the camera, before any rotation. Product and disc spin in place together as one rigid body about the disc's centre. During the first quarter-turn, the frame-right half moves toward the camera and the frame-left half moves away. Keep the same direction throughout; never reverse. Each quarter of the clip covers 0° to 90°, 90° to 180° (full rear view), 180° to 270°, then 270° to 360°, respectively. At exactly 360° in the final frame, the product exactly matches frame 1 in pose, position, size and shape.
Camera: One uninterrupted shot; camera position, aim, focal length, focus, aperture and crop stay constant.
Motion: Frame 1 is already turning at full speed: constant angular speed from first to final frame, with no ease-in at the start and no ease-out at the end; never stop, accelerate or slow down.
Product: The product is rigid: no stretching, bending, morphing, melting, or parts appearing or disappearing. Shape, dimensions, parts, materials, colours and disc-relative pose stay unchanged. The disc stays level, flat and in place.

« The video is silent. » n’est ajouté à la ligne Product que lorsque le son est désactivé. Les phrases de rotation 270° et Swing ne sont pas reproduites ici. Les lignes Camera et Motion ainsi que le texte par défaut de la ligne Product sont supprimés lorsque les mots de l’utilisateur correspondent aux motifs de mots-clés thématiques, la phrase sur le silence étant conservée lorsque le son est désactivé (section 4.6) ; des lignes sont également supprimées au-delà de la limite de longueur du modèle, Layout en dernier. Il n’a pas été consigné si une couche de prompt côté serveur a modifié les phrases de rotation et de mouvement réellement envoyées en production (section 3.1).

Annexe B. Réglages des clips évalués

Clips de production (Kling 4, 1080p, 1:1, son activé, fond Clair) :

ProduitDuréeTaillePlateau dans l’imageÉpaisseurCentre depuis le hautPause après
Fauteuil (identifié d’après un enregistrement ultérieur ; section 7.3)10 s60 %80 %4%58%2 s
Canapé d’angle10 s90 %80 %4%70%2 s
Canapé (sens antihoraire demandé)8 s80 %80 %10%50%1 s
Pouf9 s51 %80 %5%60 %3 s

Clips refaits (section 7.6) : Kling 4 reference-to-video, 1080p, 1:1, 10 s + 2 s de pause, plateau 80%, épaisseur 4%, centre 58%, Gris studio, pour chaque pièce. Livrés : le second modèle de lit avec l’image initiale composée également comme image de fin, le fauteuil, le canapé, le canapé d’angle, le pouf (la figure 26 les montre tous sauf le fauteuil). Non livré et sans lien public : le clip du lit avec image de début seule. Les valeurs de taille réellement utilisées pour chaque pièce ne sont pas consignées (les valeurs prévues étaient fauteuil 60, canapé d’angle 90, canapé 80, pouf 51, lit 90).

Clips de référence (section 7.2) : Kling 4, 1080p, 1:1, 10 s, Rotation Auto, sans image initiale composée, sans pause : fauteuil, canapé, pouf, canapé d’angle (figure 19).

Recommandation consignée avec la recette figée : une même valeur de hauteur du centre pour tous les produits (55–60% ; 58–62% pour les pièces hautes ou les tailles ≥ 70%), seule la taille changeant d’un produit à l’autre.

Les prises locales, les clips de l’expérience d’ancrage, le clip à quatre vues de référence et le clip à ligne Layout numérique n’ont pas de lien public.

Note de l’auteur

Un paquet de reproductibilité (requêtes de chaque clip telles qu’envoyées, images initiales composées et images de référence, sorties brutes et avec pauses, scores individuels et commandes de mesure) est prévu et n’est pas encore disponible.

Des vidéos d’exemple seront mises en lien dès que le client en aura approuvé la publication.

Recherche