La mise en scène est un terme théâtral français signifiant « placer sur scène » qui, en cinéma et en photographie, désigne la totalité des éléments visuels disposés dans le cadre : le décor et la scénographie, l'éclairage, les costumes et le maquillage, le positionnement et l'interprétation des acteurs, et la relation de la caméra à tout ce qui précède via le placement, le mouvement et le choix de l'objectif. C'est l'art fondamental de composer ce que la caméra enregistre : l'arrangement délibéré de chaque élément visible dans l'image pour communiquer du sens, de l'ambiance et de l'information narrative par des moyens visuels plutôt que par le montage ou le dialogue. Là où le montage opère entre les plans, la mise en scène opère au sein du plan, ce qui en fait l'expression la plus directe de l'intelligence visuelle d'un réalisateur ou d'un directeur photo.
La mise en scène englobe plusieurs éléments interdépendants qui agissent de concert. Le décor et la scénographie déterminent le monde physique que les personnages habitent : ses formes architecturales, textures, couleurs et objets. L'éclairage façonne la manière dont ce monde est révélé : ce qui est visible et ce qui est caché, ce qui est chaud et ce qui est froid, ce qui est clair et ce qui est ambigu. Les costumes et le maquillage définissent la manière dont les personnages sont présentés visuellement : leur statut social, leur état psychologique, leur époque et leur identité communiqués par ce qu'ils portent et la manière dont ils apparaissent. Le placement (blocking) et l'interprétation désignent l'endroit où, dans le cadre, les personnages sont positionnés, comment ils se déplacent dans l'espace, et ce que leur relation physique entre eux et avec l'environnement communique sur les dynamiques de la scène. La position de la caméra, l'angle et le mouvement déterminent depuis quelle perspective et à quelle distance le spectateur rencontre tout ce qui précède. L'artisanat de la mise en scène réside dans l'intégration de ces éléments afin que l'image entière fonctionne comme une déclaration expressive unifiée : afin que la position d'un personnage par rapport à une porte, la qualité de la lumière tombant sur son visage, la couleur du mur derrière lui, et l'angle de caméra depuis lequel tout cela est observé produisent ensemble une expérience de sens qui transcende les composants individuels.
Dans le contexte de la génération par IA, la pensée par mise en scène fournit l'un des cadres les plus puissants pour construire des invites efficaces. Plutôt que de décrire des sujets isolément, une approche par mise en scène incite le modèle à réfléchir à la composition complète de l'image : où le sujet est positionné dans le cadre et l'environnement, ce que l'éclairage révèle et dissimule, ce que les objets et le décor environnants communiquent sur le contexte et l'ambiance, et ce que la relation de la caméra à la scène implique sur la perspective et le registre émotionnel. Les invites qui décrivent une scène visuelle complète — « une femme en manteau rouge debout au bord d'un couloir sombre, une seule source de lumière derrière elle plongeant son visage dans l'ombre, l'extrémité du couloir hors focus et indistincte » — pratiquent la pensée par mise en scène, et elles produisent des images d'une bien plus grande cohérence visuelle et intentionnalité expressive que des descriptions isolées de sujet. Comprendre la mise en scène est, en ce sens, fondamental pour générer des images et vidéos qui semblent composées cinématographiquement plutôt que simplement rendues techniquement.
