GPT Image 2 : peut-on retoucher seulement une zone avec un masque ?

En bref

Ce que les documents OpenAI prouvent vraiment

La documentation OpenAI donne une base solide pour dire qu’il existe un workflow d’édition d’image : la référence API inclut Create image edit, et le guide Image generation décrit les Edits comme la modification d’images existantes. OpenAI propose aussi une page de modèle dédiée à GPT Image 2.

Mais il faut distinguer deux choses. Avoir une entrée d’API pour modifier une image ne signifie pas automatiquement que le modèle garantit une conservation exacte, pixel par pixel, de tout ce qui n’a pas été demandé. Les documents publics cités ici soutiennent l’existence d’une capacité d’édition ; ils ne suffisent pas à affirmer que les zones non masquées resteront toujours parfaitement identiques.

Le masque guide le modèle, il ne verrouille pas l’image

Dans un logiciel de retouche classique, une sélection peut être comprise comme une frontière stricte : ce qui est dehors ne bouge pas. Avec un modèle génératif, il vaut mieux raisonner autrement. Le masque indique au modèle où concentrer la modification, mais la sortie reste une image générée ou régénérée en partie.

Une discussion sur l’OpenAI Developer Community rapporte que l’API gpt-image-2 prend en charge le champ mask. C’est utile pour construire un workflow de retouche locale. En revanche, ce n’est pas une preuve que le masque agit comme une barrière infranchissable.

Des retours de développeurs signalent que images.edit n’a pas toujours limité les changements à la zone masquée. Une autre réponse explique que, contrairement à DALL·E 2, le masking avec GPT Image est essentiellement piloté par le prompt : le modèle utilise le masque comme indication, mais peut ne pas le suivre strictement.

Le point le plus important vient d’une évaluation arXiv consacrée aux modèles d’IA pour le design graphique : elle note que des modèles GPT-Image échouent à confiner de manière fiable les modifications à la région masquée dans des tâches de masked edit. Cela ne veut pas dire que toute retouche locale échouera. Mais cela suffit à écarter une promesse absolue du type : seule cette zone changera.

Trois usages courants, avec leurs risques

1. Changer le fond d’un visuel

Utiliser GPT Image 2 pour remplacer un arrière-plan est cohérent avec les workflows d’édition d’image décrits par OpenAI. Pour un packshot, une vignette ou une maquette de campagne, cela peut faire gagner beaucoup de temps.

Le contrôle ne doit toutefois pas se limiter au fond. Après génération, il faut aussi regarder les bords du produit, les ombres, les reflets, les proportions, la couleur du sujet principal et les éventuelles petites altérations de forme. Puisque le masque ne garantit pas toujours que les autres zones restent intactes, la comparaison côte à côte avec l’original reste indispensable.

2. Modifier un packaging

Changer une étiquette, explorer une variante d’emballage ou préparer un mockup est un bon cas d’usage. Le risque principal n’est pas seulement que le nouveau packaging soit imparfait : c’est que le modèle modifie en même temps des éléments qui devaient rester fixes, comme un logo, une mention imprimée, une proportion, un pli de l’emballage ou un détail autour du produit.

C’est précisément pour cette raison qu’un masque ne doit pas être présenté comme une garantie de fidélité pixel-perfect. Pour un visuel commercial, surtout s’il contient du texte de marque ou des informations sensibles, une relecture humaine et une retouche finale restent nécessaires.

3. Corriger une zone précise

Pour supprimer une petite imperfection, remplacer un objet ou ajuster une partie limitée de l’image, le bon réflexe est d’utiliser un masque avec une consigne très explicite. Il ne faut pas seulement écrire ce qu’il faut changer ; il faut aussi préciser ce qui doit rester identique : visage, forme du produit, logo, texte, arrière-plan, éclairage, cadrage.

Même avec cette méthode, la sortie doit être vérifiée. Le modèle peut respecter l’intention générale tout en introduisant une légère dérive dans une zone qui n’était pas censée bouger.

Un workflow plus sûr pour éviter que toute l’image ne dérive

1. Conserver l’original comme master. Ne travaillez jamais directement sur l’unique fichier source.
2. Modifier une seule chose à la fois. Remplacer le fond, puis ajuster le packaging, puis corriger les détails donne plus de contrôle qu’une consigne trop ambitieuse en une seule passe.
3. Décrire aussi ce qu’il faut préserver. Par exemple : conserver le produit, le logo, les textes, les proportions, la couleur, l’angle de vue et la cohérence de lumière.
4. Utiliser le masque comme un guide, pas comme une garantie. Les preuves publiques ne permettent pas de le traiter comme une frontière de pixels stricte.
5. Comparer systématiquement avec l’image d’origine. Vérifiez les zones non demandées, les visages, les proportions, les textes, les marques et les détails d’emballage.
6. Prévoir une étape de QA humaine. Pour une campagne, une fiche produit ou un fichier destiné à validation, le contrôle final par un designer ou un retoucheur reste la pratique la plus sûre.

Comment le formuler sans survendre la capacité

La formulation la plus honnête est : GPT Image 2 dispose d’un contexte d’édition d’image dans les workflows GPT image, et un masque peut aider à cibler une zone ; mais l’état public des preuves ne justifie pas de garantir que seules les zones masquées changeront et que le reste restera identique pixel par pixel.

À éviter : présenter GPT Image 2 comme un outil qui garantit de ne changer que le fond, l’emballage ou un emplacement précis. Pour les visuels de produit, les packagings et les créations commerciales, mieux vaut le considérer comme un outil de retouche générative rapide, puis valider manuellement que les zones non demandées n’ont pas été modifiées.