Nano Banana Pro et les modèles d'IA derrière les applications d'essayage virtuel

Demandez à un client ce qui rend un outil d'essayage virtuel meilleur qu'un autre et la plupart pointeront du doigt le résultat : est-ce que je me ressemble encore, le canapé derrière moi a-t-il changé de couleur, la chemise a-t-elle l'air portée ou simplement collée ? Presque rien de tout cela ne dépend de l'interface de l'application. Cela dépend du modèle d'IA qui génère l'image, un détail qui est rarement mentionné sur une page produit.

Qu'est-ce que Nano Banana Pro ?

Nano Banana Pro n'est pas le nom de produit officiel de Google. C'est le surnom qui est resté après que la communauté a commencé à l'utiliser pour Gemini 3 Pro Image, le modèle phare de génération et d'édition d'images de Google, disponible via l'API Gemini et Vertex AI. Donnez-lui une photo et une instruction textuelle et il modifiera cette photo, en ajoutant, supprimant ou changeant quelque chose tout en essayant de laisser le reste intact.

C'est cette dernière partie qui le rend utilisable pour l'essayage virtuel, même si les vêtements n'ont jamais été sa seule fonction. Une photo du client plus une photo de vêtement plus une instruction d'échange de tenue est, structurellement, le même type de modification que toute autre requête Nano Banana Pro. La fonctionnalité d'essayage virtuel de Perplexity fonctionne sur cette même famille de modèles, un détail que Perplexity a directement déclaré et qui a déjà été abordé dans l'article de Corlen sur l'essayage virtuel dans la recherche shopping basée sur l'IA.

En quoi un modèle d'image généraliste est-il différent d'un modèle d'essayage dédié ?

Un modèle d'essayage virtuel dédié est conçu dès le départ autour d'une tâche précise. L'exemple le plus connu, IDM-VTON, utilise un pipeline de diffusion à deux flux : un flux lit le vêtement, un autre lit la personne, et une étape de déformation mappe le vêtement sur la pose spécifique du corps avant que l'image finale ne soit rendue. Chaque partie de ce système existe parce que le vêtement, et seulement le vêtement, était l'objectif de conception.

• Modèles dédiés (IDM-VTON, FASHN, CatVTON, et similaires) : entraînés spécifiquement sur des paires personne-vêtement, avec des étapes explicites de pose et de déformation intégrées dans le pipeline. Forts pour maintenir une correspondance littérale et contrôlable avec une pose de référence.
• Modèles d'images généralistes (Nano Banana Pro, et la famille d'images Gemini 3 plus largement) : entraînés sur une large gamme d'édition et de raisonnement d'images, puis appliqués à l'essayage via des invites (prompting) plutôt que par un entraînement spécifique à la tâche. Forts pour comprendre une scène entière à la fois, et pas seulement la région du vêtement.
• Aucun n'est une amélioration stricte par rapport à l'autre. Un modèle dédié peut être plus littéral concernant la pose. Un modèle général a tendance à maintenir le reste du cadre – le visage, la pièce derrière lui – plus stable, car il n'a jamais été entraîné à les considérer comme distincts de la tâche.

Quelle approche produit réellement de meilleurs résultats d'essayage ?

Il y a ici une réponse concrète et nommée plutôt qu'une simple supposition. Ionio.ai a publié en 2026 un benchmark testant cinq modèles d'essayage virtuel (Kling, FASHN, CatVTON, Qwen et Nano Banana Pro) sur 160 combinaisons de tenues réelles, évaluant la préservation de la pose, le réalisme du tissu, la rétention de l'identité et la fiabilité de la production. Le résultat n'a pas désigné un seul vainqueur. Nano Banana Pro s'est distingué par sa qualité visuelle globale et a été le choix recommandé pour une utilisation créative et photoréaliste, bien que le benchmark ait également noté qu'il lui manquait les contrôles explicites de pose et d'incrustation sur lesquels les modèles dédiés étaient construits, de sorte que sa contrôlabilité fine est en retrait par rapport aux systèmes conçus spécifiquement sur cet axe.

Ce compromis se reflète directement sur ce qui ne va pas dans un mauvais résultat d'essayage. Un modèle dédié à pose fixe peut reproduire une posture exacte, mais peut déformer le visage ou l'arrière-plan, car ceux-ci n'ont jamais été son objectif d'entraînement. Un modèle général a tendance à maintenir l'ensemble de la photo cohérent, au prix d'une fidélité exacte de la pose dans certains cas extrêmes. Le mode de défaillance le plus important dépend de l'usage réel de l'outil.

Sur quels modèles les outils de shopping sont-ils réellement construits aujourd'hui ?

Ce n'est pas un détail caché une fois que l'on sait où chercher. Entre les lancements de plateformes de l'année dernière et ce que les différents fournisseurs ont déclaré publiquement, une carte approximative de qui utilise quoi est devenue visible.

1. La fonction d'essayage virtuel de Perplexity fonctionne sur la famille de modèles d'images Nano Banana, comme l'a directement déclaré Perplexity.
2. Le kiosque, l'application Shopify et l'API développeur de Corlen fonctionnent tous avec Gemini 3 Pro Image, le même modèle de la famille Nano Banana Pro, via Vertex AI.
3. Un ensemble de fournisseurs plus petits, spécialisés dans l'habillement, s'appuient sur des modèles d'essayage dédiés tels que FASHN, CatVTON, ou leurs propres versions affinées d'architectures similaires.
4. L'outil d'essayage de Google lui-même, intégré à la recherche, au shopping et aux images, n'a pas publié le modèle spécifique sur lequel il fonctionne, bien qu'il s'inscrive dans la même infrastructure Shopping Graph autour de laquelle Google a construit sa stratégie plus large d'IA pour le shopping.

Quel modèle Corlen utilise-t-il, et pourquoi ?

Corlen génère chaque essayage avec Gemini 3 Pro Image, exécuté via Google Vertex AI, le même modèle de la famille Nano Banana Pro discuté ci-dessus. Ce n'était pas la première tentative. Les travaux de développement précédents sont passés par plusieurs modèles d'essayage dédiés avant de s'arrêter sur celui-ci, et le modèle d'image généraliste a permis de maintenir le visage du client, la texture du tissu et l'environnement autour d'eux plus stables sur le type de photo qu'un vrai client prend : un appareil photo de téléphone, un éclairage imparfait, une pièce normale, et non pas un fond de studio.

Ce même compromis explique pourquoi comment fonctionne l'essayage virtuel et l'essayage virtuel est-il précis reviennent toujours aux deux mêmes questions essentielles à poser à propos de tout outil : le résultat ressemble-t-il toujours à la personne réelle, et le tissu a-t-il l'air porté au lieu d'être collé sur la photo ? Le modèle derrière l'interface est la véritable réponse à ces deux questions.

Voyez la différence sur votre propre photo : essayez Corlen gratuitement, aucun compte n'est nécessaire pour un premier résultat. Les équipes développant leur propre expérience d'achat peuvent accéder au même moteur directement via l'API développeur.