# PEEK réduit les erreurs des images de diffusion pendant l’échantillonnage

> Des chercheurs proposent un module d’échantillonnage sans entraînement qui, selon eux, améliore les scores de génération d’images avec huit modèles de diffusion, au prix d’un calibrage rapide.

Oossa · 2026-11-05 · https://oossa.com/fr/peek-aims-to-reduce-diffusion-image-errors-during-sampling

Des chercheurs ont présenté PEEK, un module sans entraînement destiné aux générateurs d’images par diffusion. À certaines étapes de l’échantillonnage, il effectue une évaluation supplémentaire du débruiteur, puis s’appuie sur cette prédiction anticipée pour ajuster l’étape suivante et réduire le biais d’exposition — l’écart entre les données d’entrée utilisées à l’entraînement et les données imparfaites rencontrées par le modèle pendant la génération.

Les auteurs font état de résultats supérieurs à ceux de méthodes de référence comparées à nombre égal d’évaluations du débruiteur, sur huit modèles opérant dans l’espace des pixels ou dans l’espace latent, y compris des configurations guidées par du texte. Ils rapportent une amélioration du FID pouvant atteindre 49,3 % ; le calibrage du module pour un modèle a pris au maximum 2,2 minutes dans leurs expériences.

## Les faits

- L’article a été accepté à NeurIPS 2026.
- Les auteurs ont testé PEEK sur huit modèles de diffusion et rapportent une amélioration du FID pouvant atteindre 49,3 %. 

## Pourquoi c'est important

Pour les équipes qui étudient les générateurs d’images par diffusion, PEEK propose une méthode à tester au niveau de l’échantillonneur, sans réentraînement. L’article ne permet toutefois pas de savoir comment elle se comporterait dans des produits en service.

## Sources et références

1. [PEEK: One-Step-Look-Ahead Exposure Bias Correction for Diffusion Sampling](https://arxiv.org/abs/2611.05407) – arXiv cs.CV, 2026-11-05

Dernière mise à jour: 2026-11-05