La thermographie infrarouge par "flying spot" (FST) est une technique de contrôle non destructif capable de détecter de petits défauts en balayant les surfaces avec une source de chaleur laser. Les défauts, tels que les fissures sur les pièces métalliques, sont révélés par la perturbation de la propagation de la chaleur mesurée par une caméra infrarouge. L'association de cette technique d'examen avec l'inspection dans le spectre visible, offrant un accès aux textures et géométries de surface difficiles à observer dans le spectre IR, peut augmenter à la fois la robustesse et la performance de la détection des défauts. Cependant, dans une approche d'apprentissage profond, l'acquisition de grandes quantités de paires visible-IR peut être difficile et chronophage. Le présent travail propose d'explorer la génération de paires d'images visible-FST dans le contexte de la détection de fissures de surface pour les matériaux métalliques, en utilisant des modèles génératifs profonds à la pointe de la technologie tels que Stable Diffusion. L'exactitude des échantillons générés ainsi que les bénéfices pour la formation de modèles neuronaux profonds multi-spectraux seront étudiés.