Cet article évalue l'impact des stratégies d'augmentation visant à maintenir la similarité faciale dans la personnalisation par diffusion stable pour la génération de portraits de qualité professionnelle à partir de photographies amateurs. Pour deux méthodes de personnalisation, DreamBooth et InstantID, nous comparons et analysons l'augmentation conventionnelle (inversion gauche-droite, recadrage et ajustement des couleurs) avec l'augmentation générative utilisant des images de synthèse d'InstantID. Nous évaluons quantitativement la similarité faciale à l'aide de SDXL et d'une nouvelle mesure FaceDistance basée sur FaceNet. Les résultats expérimentaux montrent que l'augmentation conventionnelle peut produire des artefacts qui entravent l'identification des personnes, tandis qu'InstantID améliore la fidélité lorsqu'il est utilisé de manière équilibrée avec des images réelles afin d'éviter le surapprentissage. Une étude utilisateur menée auprès de 97 participants confirme la différence entre la préférence pour l'apparence raffinée d'InstantID et l'identification précise des personnes de DreamBooth. Les résultats de cette étude apportent un éclairage sur les stratégies d'augmentation efficaces pour la génération personnalisée de texte en image.
