Styly Muse
Styly Muse : notre système de génération et la recherche sur laquelle il repose
Redessiner une pièce à partir d'une photo n'est pas un seul problème, mais plusieurs : garder les murs et les fenêtres à leur place, retirer des meubles sans déformer la pièce, meubler un espace vide de façon crédible. Styly Muse traite chacun avec un flux dédié.
Ce qu'est Styly Muse
Styly Muse est notre système de génération. Plutôt qu'un réglage unique appliqué à toutes les demandes, il réunit des flux distincts : home staging d'une pièce vide, décoration d'une pièce meublée, suppression de meubles, visualisation des sols et des murs, mise en situation d'un produit, animation d'une image. Chaque flux a ses propres instructions et ses propres réglages, et Muse choisit le modèle adapté à la tâche.
Muse a été affiné avec les retours de plus de 200 professionnels — architectes d'intérieur, décorateurs, agents immobiliers — qui l'ont utilisé sur leurs propres projets. Ce sont leurs retours qui ont décidé de ce qui devait rester intact dans une pièce et de ce qui pouvait changer.
Il s'appuie sur la recherche publiée en design d'intérieur par IA, que nous suivons et dont nous reprenons les enseignements. Les travaux qui comptent le plus pour nous sont listés ci-dessous, par problème.
01
Garder la pièce, changer le décor
Ce que la recherche a établi
La difficulté centrale d'un redesign à partir d'une photo est de conserver la géométrie : murs, ouvertures, perspective. La recherche sur le contrôle conditionnel des modèles de diffusion, puis sur l'édition d'image guidée par instruction, a montré comment modifier le contenu d'une image tout en respectant sa structure.
Dans Muse : les flux de décoration et de home staging partent de votre photo et gardent l'architecture de la pièce.
Publications
- Adding Conditional Control to Text-to-Image Diffusion Models — Zhang et al., 2023 · arXiv:2302.05543
- LooseControl: Lifting ControlNet for Generalized Depth Conditioning — Bhat et al., 2023 · arXiv:2312.03079
- InstructPix2Pix: Learning to Follow Image Editing Instructions — Brooks et al., 2022 · arXiv:2211.09800
- FLUX.1 Kontext: Flow Matching for In-Context Image Generation and Editing in Latent Space — Black Forest Labs et al., 2025 · arXiv:2506.15742
- Qwen-Image Technical Report — Wu et al., 2025 · arXiv:2508.02324
02
Une génération pensée pour l'intérieur
Ce que la recherche a établi
Plusieurs équipes ont montré qu'un modèle généraliste ne suffit pas pour le design d'intérieur : il faut des styles cohérents, des meubles à la bonne échelle, des matériaux plausibles. Ces travaux décrivent des modèles et des systèmes spécialisés pour ce domaine.
Dans Muse : 18 styles de design et des réglages distincts par type de pièce.
Publications
- RoomDiffusion: A Specialized Diffusion Model in the Interior Design Industry — Wang et al., 2024 · arXiv:2409.03198
- iDesigner: A High-Resolution and Complex-Prompt Following Text-to-Image Diffusion Model for Interior Design — Gan et al., 2023 · arXiv:2312.04326
- DiffDesign: Controllable Diffusion with Meta Prior for Efficient Interior Design Generation — Yang et al., 2024 · arXiv:2411.16301
- VIDES: Virtual Interior Design via Natural Language and Visual Guidance — Le et al., 2023 · arXiv:2308.13795
- Personalized Interiors at Scale: Leveraging AI for Efficient and Customizable Design Solutions — Zhou et al., 2024 · arXiv:2405.19188
03
Retirer les meubles sans abîmer la pièce
Ce que la recherche a établi
Effacer de grands objets dans une pièce produit facilement des incohérences : un mur qui se tord, un sol qui change. La recherche sur la suppression de meubles montre comment tenir compte de l'agencement de la pièce pour reconstruire correctement ce qui se trouvait derrière.
Dans Muse : le flux de suppression de meubles, qui vide une pièce avant de la remeubler.
Publications
- Layout Aware Inpainting for Automated Furniture Removal in Indoor Scenes — Kulshreshtha et al., 2022 · arXiv:2210.15796
- An Empty Room is All We Want: Automatic Defurnishing of Indoor Panoramas — Slavcheva et al., 2024 · arXiv:2405.03682
04
Home staging et lumière
Ce que la recherche a établi
Meubler une pièce vide de façon crédible demande de respecter sa lumière : ombres, reflets, soleil direct. Ces travaux décomposent l'apparence d'une pièce vide pour y insérer des objets de façon cohérente et pour la rééclairer.
Dans Muse : le flux de home staging pour les annonces immobilières.
Publications
- Semantically Supervised Appearance Decomposition for Virtual Staging from a Single Panorama — Zhi et al., 2022 · arXiv:2205.13150
- Digital Kitchen Remodeling: Editing and Relighting Intricate Indoor Scenes from a Single Panorama — Ji et al., 2025 · arXiv:2504.16086
05
Travailler avec les designers
Ce que la recherche a établi
La recherche récente étudie la co-conception entre designers et IA : comment un outil génératif s'intègre au travail d'un professionnel plutôt que de le remplacer.
Dans Muse : un système affiné avec plus de 200 professionnels, et la possibilité de retoucher un résultat plutôt que de tout regénérer.
Publications
- AIDED: Augmenting Interior Design with Human Experience Data for Designer-AI Co-Design — Lin et al., 2026 · arXiv:2602.10054
06
Les fondations
Ce que la recherche a établi
Le travail qui a rendu possible la génération d'images haute résolution par diffusion, sur lequel repose l'essentiel du domaine.
Publications
- High-Resolution Image Synthesis with Latent Diffusion Models — Rombach et al., 2021 · arXiv:2112.10752
Ces publications sont celles de leurs auteurs ; nous les citons comme les travaux sur lesquels Muse s'appuie, sans prétendre les reproduire à l'identique ni parler au nom de leurs auteurs.