{"id":1146,"date":"2026-06-10T12:16:10","date_gmt":"2026-06-10T04:16:10","guid":{"rendered":"https:\/\/imgedits.net\/"},"modified":"2026-06-10T12:17:45","modified_gmt":"2026-06-10T04:17:45","slug":"understanding-ai-image","status":"publish","type":"post","link":"https:\/\/imgedits.net\/fr\/post\/understanding-ai-image\/","title":{"rendered":"Understanding the Foundations of AI Image Generation"},"content":{"rendered":"

La capacit\u00e9 de l'intelligence artificielle \u00e0 g\u00e9n\u00e9rer des images photor\u00e9alistes, des \u0153uvres d'art complexes et des designs visuels sophistiqu\u00e9s \u00e0 partir de simples invites textuelles constitue l'un des sauts technologiques les plus remarquables du XXIe si\u00e8cle. Pendant des d\u00e9cennies, l'infographie d\u00e9pendait strictement d'algorithmes proc\u00e9duraux, de la mod\u00e9lisation g\u00e9om\u00e9trique et de la manipulation manuelle par des artistes humains. Aujourd'hui, les mod\u00e8les d'IA g\u00e9n\u00e9rative peuvent synth\u00e9tiser des visuels enti\u00e8rement nouveaux en quelques secondes. Ce changement de paradigme ne provient pas d'une compr\u00e9hension magique de l'art, mais plut\u00f4t de cadres math\u00e9matiques avanc\u00e9s, d'une infrastructure informatique massive et d'une analyse statistique approfondie des donn\u00e9es visuelles. Pour vraiment comprendre comment l'IA g\u00e9n\u00e8re une image, il faut regarder au-del\u00e0 de l'interface utilisateur et explorer l'architecture sous-jacente des r\u00e9seaux neuronaux, des espaces de repr\u00e9sentation et de la mod\u00e9lisation probabiliste. Au c\u0153ur de toute IA g\u00e9n\u00e9rative r\u00e9side le concept de l'apprentissage automatique \u00e0 partir de m\u00e9gadonn\u00e9es. Avant qu'un syst\u00e8me puisse cr\u00e9er une image de haute qualit\u00e9 d'un \u00ab golden retriever jouant dans un parc au coucher du soleil \u00bb, il doit d'abord analyser des millions, voire des milliards, d'images existantes et leurs descriptions textuelles correspondantes. Cette phase est appel\u00e9e entra\u00eenement. Au cours de ce processus, un r\u00e9seau neuronal \u2014 une structure informatique complexe inspir\u00e9e des neurones interconnect\u00e9s du cerveau humain \u2014 analyse l'ensemble de donn\u00e9es pour identifier des motifs, des textures, des formes et des couleurs. Le r\u00e9seau apprend \u00e0 associer des arrangements de pixels sp\u00e9cifiques \u00e0 des concepts s\u00e9mantiques, tels que la texture duveteuse du pelage d'un animal, les propri\u00e9t\u00e9s r\u00e9fl\u00e9chissantes de l'eau ou les teintes chaudes distinctives caract\u00e9ristiques d'un ciel de soir\u00e9e. Au fil du temps, le syst\u00e8me passe de la simple reconnaissance d'objets \u00e0 la compr\u00e9hension des relations statistiques entre eux.<\/p>\n\n\n\n

\"Une
Une \u0153uvre d'art num\u00e9rique abstraite et color\u00e9e cr\u00e9\u00e9e par AARON, un syst\u00e8me d'art par IA pionnier d\u00e9velopp\u00e9 par l'artiste Harold Cohen, pr\u00e9sentant des formes florales et g\u00e9om\u00e9triques complexes.<\/figcaption><\/figure>\n\n\n\n

Cependant, un mod\u00e8le d'IA ne se contente pas de stocker une base de donn\u00e9es massive d'images dans sa m\u00e9moire pour les copier-coller plus tard. Une telle approche serait extr\u00eamement inefficace et incapable de produire des \u0153uvres d'art v\u00e9ritablement originales. Au lieu de cela, le processus d'entra\u00eenement force le mod\u00e8le \u00e0 compresser ce vaste oc\u00e9an d'informations visuelles en un concept math\u00e9matiquement organis\u00e9 connu sous le nom d'espace latent. L'espace latent peut \u00eatre conceptualis\u00e9 comme un syst\u00e8me de coordonn\u00e9es invisible et multidimensionnel o\u00f9 des concepts similaires sont regroup\u00e9s \u00e9troitement. Par exemple, dans ce royaume math\u00e9matique cach\u00e9, le vecteur repr\u00e9sentant un \u00ab chien \u00bb r\u00e9side pr\u00e8s du vecteur pour un \u00ab chat \u00bb au sein d'un groupe plus large d'\u00ab animaux \u00bb, tandis que la coordonn\u00e9e pour \u00ab coucher de soleil \u00bb est positionn\u00e9e pr\u00e8s de \u00ab lever de soleil \u00bb et \u00ab cr\u00e9puscule \u00bb. Lorsqu'un utilisateur saisit une invite, l'IA navigue dans cet espace math\u00e9matique, trouvant l'intersection exacte des concepts demand\u00e9s pour servir de plan pour le r\u00e9sultat.<\/p>\n\n\n\n

L'\u00e9volution de l'architecture : des GAN aux auto-encodeurs variationnels<\/h2>\n\n\n\n

Pour comprendre l'\u00e9tat actuel de la g\u00e9n\u00e9ration d'images par IA, il est essentiel de retracer la lign\u00e9e \u00e9volutive de ses architectures de base. La premi\u00e8re perc\u00e9e dans la synth\u00e8se d'images convaincantes est arriv\u00e9e avec l'introduction des r\u00e9seaux antagonistes g\u00e9n\u00e9ratifs (Generative Adversarial Networks), commun\u00e9ment appel\u00e9s GAN. Con\u00e7u en 2014, un GAN fonctionne selon un principe brillamment comp\u00e9titif impliquant deux r\u00e9seaux neuronaux distincts agissant comme des rivaux : le g\u00e9n\u00e9rateur et le discriminateur. L'unique objectif du g\u00e9n\u00e9rateur est de cr\u00e9er une image \u00e0 partir de bruit math\u00e9matique al\u00e9atoire, tandis que le r\u00f4le du discriminateur est d'\u00e9valuer cette image par rapport \u00e0 un ensemble de donn\u00e9es de photos r\u00e9elles prises par des humains et de d\u00e9terminer si l'image g\u00e9n\u00e9r\u00e9e est \u00ab r\u00e9elle \u00bb ou \u00ab fausse \u00bb.<\/p>\n\n\n\n

\n\n\n
\n

Flux de l'architecture GAN<\/h3>\n \n
\n
Bruit al\u00e9atoire<\/div>\n
<\/div><\/div>\n
G\u00e9n\u00e9rateur<\/div>\n
<\/div><\/div>\n
Image fausse<\/div>\n <\/div>\n
<\/div>\n
\n
Discriminateur<\/div>\n
<\/div><\/div>\n
Images r\u00e9elles<\/div>\n <\/div>\n
\n \n \ud83d\udd04 Boucle de r\u00e9troaction : R\u00e9el\/Faux\n <\/span>\n <\/div>\n <\/div>\n\n \n<\/article>\n\n\n\n

Cette relation antagoniste d\u00e9clenche une boucle de r\u00e9troaction tr\u00e8s efficace. Au d\u00e9but, le g\u00e9n\u00e9rateur ne produit que du bruit incoh\u00e9rent. Cependant, \u00e0 mesure que le discriminateur rep\u00e8re facilement ces d\u00e9fauts et rejette les sorties, le g\u00e9n\u00e9rateur est contraint d'ajuster ses param\u00e8tres internes pour cr\u00e9er des structures plus convaincantes. Inversement, \u00e0 mesure que le g\u00e9n\u00e9rateur devient plus habile \u00e0 imiter la r\u00e9alit\u00e9, le discriminateur doit devenir plus sophistiqu\u00e9 pour rep\u00e9rer les incoh\u00e9rences subtiles. Cette course aux armements continue permet finalement aux GAN de produire des visages et des objets incroyablement nets et haute r\u00e9solution. Malgr\u00e9 leur succ\u00e8s, les GAN souffrent de limitations notables, telles que le \u00ab mode collapse \u00bb (effondrement de mode) \u2014 un mode de d\u00e9faillance o\u00f9 le g\u00e9n\u00e9rateur trouve une seule sortie qui trompe le discriminateur et produit \u00e0 plusieurs reprises exactement la m\u00eame image, ce qui limite gravement la diversit\u00e9 cr\u00e9ative.<\/p>\n\n\n\n

Simultan\u00e9ment, les chercheurs ont explor\u00e9 une autre architecture fondamentale connue sous le nom d'auto-encodeurs variationnels (VAE). Contrairement au cadre comp\u00e9titif des GAN, les VAE se concentrent fortement sur la compression et la reconstruction des donn\u00e9es. Un VAE se compose d'un encodeur qui prend une image d'entr\u00e9e et la compresse en une repr\u00e9sentation latente de dimension inf\u00e9rieure tr\u00e8s efficace, ne capturant que les caract\u00e9ristiques structurelles les plus vitales. Un second composant, le d\u00e9codeur, prend ensuite cette repr\u00e9sentation compress\u00e9e et tente de l'\u00e9tendre pour reconstituer l'image originale aussi pr\u00e9cis\u00e9ment que possible. En r\u00e9gularisant cet espace compress\u00e9, les VAE garantissent que le paysage latent est lisse et continu, ce qui signifie que si vous choisissez un point al\u00e9atoire entre les coordonn\u00e9es d'un \u00ab cercle \u00bb et d'un \u00ab carr\u00e9 \u00bb, le d\u00e9codeur rendra en douceur un carr\u00e9 arrondi. Bien que les VAE aient fourni une excellente stabilit\u00e9 et diversit\u00e9, leurs sorties finales souffraient souvent d'un flou distinct, ne parvenant pas \u00e0 capturer les d\u00e9tails nets et complexes que les spectateurs humains attendent de l'art haute fid\u00e9lit\u00e9.<\/p>\n\n\n\n

Le superpouvoir moderne : Mod\u00e8les de diffusion et la m\u00e9canique du bruit<\/h2>\n\n\n\n

Le paysage contemporain de la g\u00e9n\u00e9ration d'images par IA \u2014 domin\u00e9 par des syst\u00e8mes leaders de l'industrie tels que Midjourney, DALL-E et Stable Diffusion \u2014 est propuls\u00e9 par une perc\u00e9e totalement diff\u00e9rente connue sous le nom de mod\u00e8les de diffusion (Diffusion Models). Inspir\u00e9s par des concepts issus de la thermodynamique du non-\u00e9quilibre, les mod\u00e8les de diffusion ont totalement boulevers\u00e9 les paradigmes pr\u00e9c\u00e9dents de synth\u00e8se d'images. Au lieu de tenter de construire une image \u00e0 partir de z\u00e9ro en une seule fois, ces mod\u00e8les envisagent le probl\u00e8me comme un processus graduel de purification, apprenant \u00e0 g\u00e9n\u00e9rer des visuels complexes en ma\u00eetrisant l'art de la destruction contr\u00f4l\u00e9e et de la reconstruction syst\u00e9matique.<\/p>\n\n\n\n

La m\u00e9canique d'un mod\u00e8le de diffusion est divis\u00e9e en deux phases principales : le processus de diffusion directe et le processus de diffusion inverse. Dans le processus direct, le syst\u00e8me prend une image d'entra\u00eenement parfaitement claire et injecte d\u00e9lib\u00e9r\u00e9ment de petits incr\u00e9ments de bruit gaussien sur une s\u00e9rie de centaines d'\u00e9tapes. \u00c0 mesure que les \u00e9tapes progressent, la structure originale de l'image se d\u00e9grade lentement. \u00c0 la fin de la cha\u00eene directe, l'image est compl\u00e8tement oblit\u00e9r\u00e9e, transform\u00e9e en une mer insignifiante de statique de pixels al\u00e9atoires, ressemblant au bruit blanc d'un vieil \u00e9cran de t\u00e9l\u00e9vision sans signal.<\/p>\n\n\n\n

\n

Processus de diffusion<\/h3>\n\n \n
\n

Diffusion directe<\/h4>\n
\n
Image claire<\/div>\n
<\/div><\/div>\n
Bruit partiel<\/div>\n
<\/div><\/div>\n
Statique totale<\/div>\n <\/div>\n <\/div>\n\n \n
\n

Diffusion inverse<\/h4>\n
\n
Statique totale<\/div>\n
<\/div><\/div>\n
Phase de d\u00e9bruitage<\/div>\n
<\/div><\/div>\n
Image finale<\/div>\n <\/div>\n <\/div>\n<\/div>\n\n\n\n

La vraie magie op\u00e8re pendant le processus de diffusion inverse, l\u00e0 o\u00f9 la g\u00e9n\u00e9ration r\u00e9elle de l'image se produit. Le r\u00e9seau neuronal, utilisant g\u00e9n\u00e9ralement une architecture appel\u00e9e U-Net, est entra\u00een\u00e9 pour observer une image contenant un niveau sp\u00e9cifique de bruit et pr\u00e9dire exactement quelle quantit\u00e9 de bruit a \u00e9t\u00e9 ajout\u00e9e \u00e0 l'\u00e9tape pr\u00e9c\u00e9dente. En entra\u00eenant le r\u00e9seau sur des milliards d'exemples, il apprend \u00e0 soustraire ce bruit pr\u00e9dit avec une pr\u00e9cision incroyable. Par cons\u00e9quent, lorsqu'un utilisateur demande une nouvelle image, l'IA commence avec une toile faite de statique math\u00e9matique pure et al\u00e9atoire. Elle applique ensuite son U-Net entra\u00een\u00e9 de mani\u00e8re it\u00e9rative, \u00e9liminant les couches de bruit \u00e9tape par \u00e9tape. \u00c0 chaque it\u00e9ration, des formes vagues commencent \u00e0 se cristalliser \u00e0 partir du chaos, transformant des taches abstraites en bords distincts, en textures et, finalement, en une image finale coh\u00e9rente et hautement d\u00e9taill\u00e9e.<\/p>\n\n\n\n

Faire le pont entre les mots et les pixels : Le r\u00f4le du pr\u00e9-entra\u00eenement contrastif langage-image (CLIP)<\/h2>\n\n\n\n

Bien que les mod\u00e8les de diffusion soient exceptionnellement dou\u00e9s pour transformer du bruit al\u00e9atoire en visuels structur\u00e9s, ils manquent intrins\u00e8quement de la capacit\u00e9 \u00e0 comprendre le langage humain ou le texte \u00e9crit. Pour combler le foss\u00e9 entre le langage humain et les pixels visuels, les syst\u00e8mes g\u00e9n\u00e9ratifs modernes s'appuient sur une couche de traduction cruciale, dont l'exemple le plus c\u00e9l\u00e8bre est le CLIP (Contrastive Language-Image Pre-training) d'OpenAI. Sans un m\u00e9canisme comme CLIP, un mod\u00e8le de diffusion pourrait g\u00e9n\u00e9rer de beaux paysages ou objets al\u00e9atoires, mais n'aurait aucun moyen de savoir comment aligner ces cr\u00e9ations avec les commandes \u00e9crites explicites d'un utilisateur.<\/p>\n\n\n\n

CLIP est entra\u00een\u00e9 sur un immense ensemble de donn\u00e9es de paires image-texte recueillies sur tout Internet. Son objectif principal est d'apprendre un espace d'encastrement partag\u00e9 (shared embedding space) o\u00f9 une description textuelle et son image correspondante sont mapp\u00e9es exactement sur le m\u00eame vecteur math\u00e9matique. Par exemple, la phrase \u00ab un horizon de ville cyberpunk futuriste \u00bb et une v\u00e9ritable peinture num\u00e9rique d'une zone m\u00e9tropolitaine n\u00e9on brillante sont guid\u00e9es vers la m\u00eame coordonn\u00e9e dans cet espace multidimensionnel. Le mod\u00e8le y parvient gr\u00e2ce \u00e0 l'apprentissage contrastif, en maximisant l'alignement math\u00e9matique entre les paires correspondantes tout en minimisant agressivement l'alignement entre les textes et les images non li\u00e9s.<\/p>\n\n\n\n

\"Une
Une sc\u00e8ne fantastique vibrante, g\u00e9n\u00e9r\u00e9e par l'IA, mettant en vedette un ph\u00e9nix brillant d\u00e9ployant ses ailes au-dessus d'un guerrier solitaire dans une for\u00eat mystique, illustrant les capacit\u00e9s de l'IA g\u00e9n\u00e9rative moderne.<\/figcaption><\/figure>\n\n\n\n

Lorsqu'un utilisateur tape une invite (prompt) dans un g\u00e9n\u00e9rateur d'IA, le texte est imm\u00e9diatement transmis au composant encodeur de texte du r\u00e9seau CLIP. Cet encodeur convertit les cha\u00eenes de mots en un vecteur num\u00e9rique dense qui encapsule la signification s\u00e9mantique de la requ\u00eate. Ce vecteur de texte est ensuite inject\u00e9 dans le processus de diffusion inverse en tant que force de guidage, souvent par le biais d'un m\u00e9canisme appel\u00e9 attention crois\u00e9e (cross-attention). \u00c0 mesure que l'architecture U-Net travaille pour \u00e9liminer le bruit de la toile statique initiale, elle v\u00e9rifie constamment sa progression par rapport au vecteur de texte CLIP. Les m\u00e9canismes d'attention guident le processus de d\u00e9bruitage, garantissant que les structures \u00e9mergeant de la statique s'alignent pr\u00e9cis\u00e9ment sur les concepts, les styles et les objets demand\u00e9s dans l'invite de l'utilisateur.<\/p>\n\n\n\n

Diffusion latente et optimisation : Rendre la haute r\u00e9solution accessible<\/h2>\n\n\n\n

Aux premiers stades du d\u00e9veloppement des mod\u00e8les de diffusion, les ressources informatiques n\u00e9cessaires pour g\u00e9n\u00e9rer des images haute r\u00e9solution \u00e9taient stup\u00e9fiantes. Traiter chaque pixel d'une image de 1024\u00d71024 \u00e0 travers des centaines d'\u00e9tapes d'un r\u00e9seau neuronal profond n\u00e9cessitait des quantit\u00e9s massives de VRAM et une puissance de traitement immense, ce qui le rendait totalement impraticable pour le mat\u00e9riel grand public ou le d\u00e9ploiement public g\u00e9n\u00e9ralis\u00e9. Ce goulot d'\u00e9tranglement a conduit \u00e0 l'invention des mod\u00e8les de diffusion latente (LDM), une technique d'optimisation r\u00e9volutionnaire qui forme l'\u00e9pine dorsale des mod\u00e8les open-source comme Stable Diffusion. L'innovation centrale de la diffusion latente est que l'ensemble du processus de d\u00e9bruitage ne se d\u00e9roule pas dans l'espace massif et de haute dimension des pixels r\u00e9els. Au lieu de cela, le syst\u00e8me utilise un puissant auto-encodeur pour compresser l'image initiale dans un espace latent beaucoup plus petit et de dimension inf\u00e9rieure avant que toute diffusion ne se produise. Par exemple, une image qui consisterait normalement en des millions de valeurs de pixels rouges, verts et bleus est compress\u00e9e en une repr\u00e9sentation math\u00e9matique compacte qui ne repr\u00e9sente qu'une fraction de sa taille d'origine, tout en conservant toutes les donn\u00e9es s\u00e9mantiques et structurelles essentielles.<\/p>\n\n\n\n

Une fois l'image stock\u00e9e en toute s\u00e9curit\u00e9 dans cet espace latent efficace, les processus de diffusion directe et inverse sont effectu\u00e9s. Comme le r\u00e9seau neuronal ne manipule qu'une abstraction math\u00e9matique hautement condens\u00e9e plut\u00f4t que des millions de pixels individuels, la charge de travail informatique diminue radicalement. Cela permet au mod\u00e8le de fonctionner efficacement sur des cartes graphiques grand public standard. Une fois le processus de diffusion inverse termin\u00e9 et le bruit supprim\u00e9 avec succ\u00e8s dans l'espace latent, le vecteur latent optimis\u00e9 final est pass\u00e9 par le composant d\u00e9codeur de l'auto-encodeur. Le d\u00e9codeur traduit les nombres abstraits en domaine de pixels, gonflant instantan\u00e9ment le vecteur compact en une image \u00e9tendue, nette et haute r\u00e9solution que l'utilisateur peut voir.<\/p>\n\n\n\n

\u00c9thique, r\u00e9alisme et l'avenir des m\u00e9dias synth\u00e9tiques<\/h2>\n\n\n\n

\u00c0 mesure que les cadres math\u00e9matiques et architecturaux de l'intelligence artificielle g\u00e9n\u00e9rative continuent de m\u00fbrir, la fronti\u00e8re s\u00e9parant les m\u00e9dias synth\u00e9tiques de la r\u00e9alit\u00e9 authentique se dissout rapidement. Les principes sous-jacents de la diffusion, des espaces latents et de l'alignement de texte par attention crois\u00e9e ont \u00e9volu\u00e9 au point o\u00f9 les mod\u00e8les d'IA peuvent d\u00e9sormais reproduire fid\u00e8lement des ph\u00e9nom\u00e8nes lumineux complexes tels que la diffusion sous-surfacique, l'illumination globale et la profondeur de champ complexe. Ce qui a commenc\u00e9 comme une s\u00e9rie d'exp\u00e9riences basse r\u00e9solution dans des laboratoires universitaires s'est \u00e9panoui en une r\u00e9volution industrielle impactant le design graphique, le cin\u00e9ma, l'architecture et le d\u00e9veloppement de jeux vid\u00e9o.<\/p>\n\n\n\n

Cependant, l'immense puissance de ces principes sous-jacents soul\u00e8ve \u00e9galement des consid\u00e9rations soci\u00e9tales et \u00e9thiques substantielles. Parce que ces r\u00e9seaux apprennent en identifiant des mod\u00e8les statistiques dans des ensembles de donn\u00e9es cr\u00e9\u00e9s par l'homme, ils sont enclins \u00e0 absorber et \u00e0 amplifier tout pr\u00e9jug\u00e9 soci\u00e9tal, st\u00e9r\u00e9otype ou inexactitude historique pr\u00e9sent dans leurs donn\u00e9es d'entra\u00eenement. De plus, la facilit\u00e9 avec laquelle ces mod\u00e8les peuvent manipuler le processus de diffusion inverse pour g\u00e9n\u00e9rer des repr\u00e9sentations synth\u00e9tiques impeccables d'\u00eatres humains r\u00e9els suscite de profondes inqui\u00e9tudes concernant l'authenticit\u00e9 num\u00e9rique, la d\u00e9sinformation, les droits de propri\u00e9t\u00e9 intellectuelle et l'\u00e9rosion globale de la confiance envers les m\u00e9dias visuels. Pour l'avenir, le d\u00e9veloppement de la g\u00e9n\u00e9ration d'images par IA s'\u00e9loigne des images 2D statiques pour s'\u00e9tendre dynamiquement vers des espaces multidimensionnels. Les m\u00eames principes fondamentaux de la synth\u00e8se texte-image sont actuellement adapt\u00e9s pour piloter des architectures avanc\u00e9es texte-vid\u00e9o, la g\u00e9n\u00e9ration automatis\u00e9e d'actifs 3D et des environnements virtuels interactifs. En traitant le temps et la profondeur comme des dimensions math\u00e9matiques suppl\u00e9mentaires au sein de l'espace latent, les r\u00e9seaux neuronaux apprennent \u00e0 maintenir une coh\u00e9rence structurelle et temporelle entre les images. \u00c0 mesure que l'efficacit\u00e9 computationnelle augmente et que les architectures algorithmiques s'affinent, le voyage entre une simple \u00e9tincelle de l'imagination humaine et une r\u00e9alit\u00e9 num\u00e9rique hyperr\u00e9aliste pleinement r\u00e9alis\u00e9e continuera de se raccourcir, modifiant \u00e0 jamais le paysage de la cr\u00e9ativit\u00e9 humaine et de l'expression technologique.<\/p>\n\n\n\n

<\/p>","protected":false},"excerpt":{"rendered":"

The ability of artificial intelligence to generate photorealistic imagery, intricate artwork, and complex visual designs from simple textual prompts stands as one of the most remarkable technological leaps of the twenty-first century. For decades, computer graphics relied strictly on procedural algorithms, geometric modeling, and manual manipulation by human artists. Today, generative AI models can synthesize […]<\/p>\n","protected":false},"author":1,"featured_media":1148,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_seopress_titles_title":"How Does AI Create Images? A Simple Guide to Generative Art","_seopress_titles_desc":"Curious about how AI turns text into stunning images? Learn how diffusion models, latent space, and AI \"translators\" work together to turn your prompts into reality.","_seopress_robots_index":"","_seopress_robots_follow":"","_seopress_robots_imageindex":"","_seopress_robots_snippet":"","_seopress_robots_primary_cat":"","_seopress_robots_breadcrumbs":"","_seopress_robots_freeze_modified_date":"","_seopress_robots_custom_modified_date":"","_seopress_robots_canonical":"","_seopress_social_fb_title":"","_seopress_social_fb_desc":"","_seopress_social_fb_img":"","_seopress_social_fb_img_attachment_id":0,"_seopress_social_fb_img_width":0,"_seopress_social_fb_img_height":0,"_seopress_social_twitter_title":"","_seopress_social_twitter_desc":"","_seopress_social_twitter_img":"","_seopress_social_twitter_img_attachment_id":0,"_seopress_social_twitter_img_width":0,"_seopress_social_twitter_img_height":0,"_seopress_redirections_value":"","_seopress_redirections_enabled":"","_seopress_redirections_enabled_regex":"","_seopress_redirections_logged_status":"","_seopress_redirections_param":"","_seopress_redirections_type":0,"_seopress_analysis_target_kw":"","footnotes":""},"categories":[1],"tags":[],"class_list":["post-1146","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-post"],"_links":{"self":[{"href":"https:\/\/imgedits.net\/fr\/wp-json\/wp\/v2\/posts\/1146","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/imgedits.net\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/imgedits.net\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/imgedits.net\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/imgedits.net\/fr\/wp-json\/wp\/v2\/comments?post=1146"}],"version-history":[{"count":4,"href":"https:\/\/imgedits.net\/fr\/wp-json\/wp\/v2\/posts\/1146\/revisions"}],"predecessor-version":[{"id":1153,"href":"https:\/\/imgedits.net\/fr\/wp-json\/wp\/v2\/posts\/1146\/revisions\/1153"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/imgedits.net\/fr\/wp-json\/wp\/v2\/media\/1148"}],"wp:attachment":[{"href":"https:\/\/imgedits.net\/fr\/wp-json\/wp\/v2\/media?parent=1146"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/imgedits.net\/fr\/wp-json\/wp\/v2\/categories?post=1146"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/imgedits.net\/fr\/wp-json\/wp\/v2\/tags?post=1146"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}