Un cuisinier qui apprend à cuisiner avec des images dessinées risque de rater chaque plat. Même piège pour la vision par ordinateur : les modèles ont besoin de milliers d'images annotées, mais les collecter à la main est coûteux et fastidieux. Les images synthétiques résolvent le problème, à condition qu'elles ressemblent à de vraies. L'outil GraNatPy évalue la vraisemblance : une métrique, tel un dégustateur exigeant, vérifie la douceur des transitions de luminosité aux contours des objets. Une autre — l'entropie — veille à ce que l'ensemble ne soit pas monotone et que les images soient variées. Si la ressemblance boite, le programme suggère quoi améliorer : la photométrie (éclairage) et la spectroscopie (couleur). Rebondissement inattendu : un modèle entraîné uniquement sur ces images améliorées reconnaît les détails plus précisément qu'après de vraies photos. L'agent SynthClaw cherche automatiquement la recette idéale de la tromperie visuelle, en épuisant sans relâche des centaines de variantes.
Les virologues comptent manuellement les plages de lyse dans les boîtes de Pétri — des zones mortes causées par les virus, de la taille d'un point de stylo. Une erreur d'une seule plage conduit à un mauvais diagnostic. Les images synthétiques réduisent le coût d'entraînement du modèle par cent et rendent le comptage impeccable.