Nous montrons que la modélisation explicite des règles de composition améliore le recadrage d’images. Le recadrage d’images est considéré comme une voie prometteuse pour automatiser la composition esthétique en photographie professionnelle. Les approches existantes, toutefois, ne modélisent cette connaissance professionnelle qu’implicitement, par exemple en classant des candidats par comparaison. Inspirés de l’observation selon laquelle les traits naturels de composition obéissent toujours à des règles spécifiques, nous proposons d’apprendre ces règles de manière discriminative, et plus important encore, d’intégrer explicitement les indices de composition appris dans le modèle. À cette fin, nous introduisons le concept de carte de composition clé (KCM) afin de coder les règles de composition. La KCM permet de révéler les lois communes dissimulées derrière différentes règles de composition, et d’informer le modèle de recadrage de ce qui est essentiel dans la composition. Grâce à la KCM, nous proposons un nouveau paradigme de recadrage basé sur la composition, et mettons en œuvre un réseau neuronal pour réaliser un recadrage conscient de la composition. Des expériences étendues sur deux benchmarks confirment que notre approche permet un recadrage efficace, interprétable et rapide.