Les détecteurs d'images basés sur l'IA offrent une protection renforcée, car modèles d'IA générative devenir de plus en plus capable de produire du contenu qui échappe au jugement humain.
Comprendre le fonctionnement des détecteurs peut vous aider à interpréter leurs résultats avec plus de précision, à valider les scores de détection à l'aide de votre propre jugement et à prendre des décisions plus éclairées concernant les contenus que vous partagez, publiez ou auxquels vous accordez votre confiance.
Principaux enseignements
- Les outils d'IA générative actuels parviennent de mieux en mieux à créer des contenus qui trompent l'œil humain.
- Les détecteurs basés sur l'IA peuvent vérifier l'authenticité d'une image en recherchant des caractéristiques invisibles à l'œil nu, telles que des irrégularités au niveau des pixels, des motifs dans le domaine fréquentiel et des métadonnées.
- Même si les détecteurs d'IA ne sont pas précis à 100% près, leur capacité à identifier des schémas au-delà des détails superficiels rend leur analyse utile pour étayer les enquêtes.
Qu'est-ce que la détection d'images par IA ?
La détection d'images générées par IA permet de déterminer si une image a été créée ou modifiée à l'aide de l'IA. Pour ce faire, les logiciels de détection d'images générées par IA analysent les images à la recherche de signes caractéristiques de la génération par IA, tels que des distributions irrégulières de pixels, des textures synthétiques et des artefacts apparus au cours du processus de génération de l'image.
Pourquoi le conseil “ Regarde simplement les mains ” ne fonctionne plus
Les premières images générées par l'IA se trahissaient souvent par des erreurs flagrantes au niveau des mains, des oreilles, des visages ou du texte. Les progrès réalisés ces dernières années ont permis aux générateurs d'images actuels de produire des résultats bien plus convaincants, ce qui rend ces indices visuels, autrefois courants, bien moins fiables.
En effet, un Étude Microsoft de 2025 Une étude menée auprès de 12 500 participants du monde entier a révélé que les personnes ne parvenaient à distinguer correctement les images générées par l'IA des images réelles que dans 62% des cas.
Ne vous inquiétez plus jamais de la détection de vos messages par l'IA. Undetectable AI peut vous aider :
- Faites apparaître votre écriture assistée par l'IA à l'image de l'homme.
- By-pass tous les principaux outils de détection de l'IA en un seul clic.
- Utilisation AI en toute sécurité et en toute confiance à l'école et au travail.
Les résultats montrent que l'inspection manuelle à elle seule ne constitue plus un moyen fiable d'identifier les images générées par l'IA.
Nous avons soumis une image générée par IA et une vraie photo au détecteur — voici ce qu’il a détecté
Pour montrer comment fonctionne la détection des images générées par l'IA, nous avons analysé une photo générée par l'IA et une photo réelle à l'aide de TruthScan, le logiciel de détection d'IA en ligne qui alimente le détecteur d'images gratuit d'Undetectable AI.
La plateforme TruthScan dans son intégralité s'avère extrêmement utile pour la détection d'images, car elle décompose le processus en plusieurs étapes.
- Tout d'abord, il génère un score de confiance, un pourcentage qui reflète la probabilité qu'une image soit réelle ou générée par l'IA.
- Il comprend également une étiquette qui indique si une image est réelle, générée par l'IA ou retouchée numériquement. Cette distinction lui permet d'identifier les images qui ne contiennent aucun contenu généré par l'IA, mais qui présentent des anomalies visuelles créées à l'aide d'outils tels que Photoshop, Lightroom ou Canva.
- Enfin, il fournit une analyse détaillée qui répertorie les indicateurs ayant contribué à la conclusion du modèle. Cela inclut les artefacts au niveau des pixels, les incohérences dans les métadonnées et les motifs observés dans le domaine fréquentiel.
Ce niveau de détail en faisait le modèle idéal pour notre test.
Numérisation de l'image générée par l'IA
La première étape du test consistait à analyser une image générée par l'IA. Nous avons demandé à Gemini de créer une image représentant Ryan Gosling à moto, dont les couleurs et la composition s'inspirent des films du célèbre réalisateur hongkongais Wong Kar-wai.
Voici le résultat :
Afin de masquer davantage tout indice visuel, nous avons demandé à Gemini d’ajouter un grain de pellicule et avons recadré son logo.
Enfin, nous avons analysé l'image à l'aide de TruthScan.
Comme prévu, le détecteur a identifié l'image comme étant générée par une IA. Il a attribué un score de 3%, ce qui signifie qu'il a estimé que l'image n'avait qu'une probabilité de 3% d'être réelle.
Dans la section consacrée à l'analyse détaillée, TruthScan a énuméré les facteurs qui ont motivé son verdict. Parmi les plus flagrants figuraient un éclairage peu naturel, une direction des ombres incohérente et des textures synthétiques.
Numérisation d'une image réelle
L'étape suivante consistait à comparer la réaction du détecteur face à des images réelles. Nous avons choisi une capture d'écran du film de 2011 Conduire, avec Ryan Gosling.
Le détecteur était convaincu que l'image était authentique. Il a attribué un score de 97%, ce qui signifie qu'il estimait que l'image avait une probabilité de 97% d'être authentique.
Le détecteur a pris en compte plusieurs facteurs visuels lors de son évaluation. Parmi ceux-ci figuraient la perspective, l'éclairage, les ombres et les imperfections photographiques.
Comment le détecteur parvient-il à son verdict ?
Les détecteurs basés sur l'IA analysent une combinaison de facteurs lorsqu'ils évaluent l'origine d'une image. Parmi ces facteurs figurent les motifs de pixels, les empreintes numériques et les motifs dans le domaine fréquentiel.
Artefacts au niveau des pixels
L'un des premiers éléments que les outils de détection par IA examinent lorsqu'ils analysent une image, ce sont ses motifs de pixels. Les images générées par l'IA peuvent présenter des irrégularités invisibles à l'œil nu, mais qui diffèrent des motifs que l'on retrouve dans les photographies réelles.
Dans le test ci-dessus, ces irrégularités comprenaient des textures synthétiques, une symétrie trop parfaite et des transitions d'éclairage peu naturelles.
Voici quelques exemples courants de motifs de pixels révélateurs :
- Textures incohérentes
- Transitions d'éclairage peu naturelles
- Une symétrie trop parfaite
- Contours peu naturels
- Bruit irrégulier
- Détails incohérents
- Modèles de composition
Modèles dans le domaine fréquentiel
Les plateformes d'IA générative créant des images à l'aide de processus mathématiques, elles peuvent produire des profils de fréquence qui diffèrent de ceux observés dans les photographies réelles.
Ces motifs reflètent la manière dont l'IA génère l'image, plutôt que les facteurs physiques qui déterminent une photographie, tels que l'appareil photo, l'objectif, l'éclairage et les textures naturelles.
Les détecteurs basés sur l'IA analysent ces caractéristiques pour vérifier l'origine d'une image. Voici quelques exemples de caractéristiques qu'ils peuvent détecter :
- Une densité inhabituelle de détails dans les hautes fréquences
- Motifs répétitifs dans les textures fines
- Relations peu naturelles entre les zones lisses et les détails nets
- Modèles de fréquence associés à un modèle d'IA ou à un générateur particulier
Métadonnées
Outre les éléments visuels, les détecteurs analysent également les informations associées à l'image. Ces informations, appelées métadonnées, indiquent au détecteur d'où provient l'image.
La revue des détecteurs d'informations comprend :
- L'appareil photo, le logiciel de montage ou le générateur d'IA qui a créé ou traité l'image
- Informations sur les logiciels et les processus utilisés pour modifier une image
- Dates de création et de modification
- Informations intégrées par cryptographie
Les métadonnées constituent des éléments de preuve solides pour le processus de détection par IA. Elles n'en restent pas moins un indicateur moins fiable que les artefacts au niveau des pixels, car elles peuvent être modifiées ou disparaître lorsqu'un utilisateur réexporte, capture ou compresse une image.
Bonnes pratiques pour l'interprétation des scores de détection générés par l'IA
Même si les détecteurs d'IA sont capables d'identifier des indices de création par IA invisibles à l'œil nu, ils peuvent tout de même commettre des erreurs. Pour éviter les conséquences d'une mauvaise interprétation, suivez ces bonnes pratiques :
Vérifiez les images suspectes à l'aide d'outils de détection avant de les partager ou de les publier
Si vous pensez qu'une image pourrait avoir été générée par une intelligence artificielle, passez-la dans un outil de détection avant de la partager ou de la publier. Cette étape peut vous aider à éviter de présenter par inadvertance du contenu synthétique comme une photographie authentique ou d'utiliser une image qui donne une image trompeuse d'une personne, d'un événement ou d'un produit.
Considérez les scores de confiance comme des probabilités, et non comme des preuves
La plupart des détecteurs d'IA évaluent les images en fonction de la probabilité qu'elles soient authentiques ou générées par l'IA, plutôt que de donner un verdict définitif (oui ou non).
Cela signifie qu’il est important de tenir compte de ces marges d’erreur, aussi infimes soient-elles. Il convient de considérer un résultat de 97% comme une probabilité accrue que le texte ait été généré par une IA, plutôt que comme une preuve juridique irréfutable.
Vérifier les images « borderline » à l’aide des métadonnées et d’un deuxième signal avant de donner suite au résultat
Si une image obtient un score limite (compris entre 40% et 60%), il est préférable de vérifier les métadonnées avant de donner suite au résultat. Vous obtiendrez ainsi davantage d’informations sur l’historique de création et de modification de l’image.
La procédure à suivre pour consulter les métadonnées varie selon l'appareil.
- Mac Les utilisateurs peuvent cliquer avec le bouton droit de la souris sur l'image et sélectionner Afficher les informations.
- Windows Les utilisateurs peuvent vérifier cela en cliquant avec le bouton droit de la souris sur l'image, puis en sélectionnant Caractéristiques, puis Détails.
- iOS Les utilisateurs peuvent appuyer sur l'image dans l'application Photos d'Apple, puis appuyer sur le Info icône.
- Les utilisateurs d'Android doivent sélectionner l'image dans leur application de galerie par défaut, puis appuyer sur Détails.
Recherchez des informations qui corroborent ou contredisent le résultat du détecteur. Par exemple, des métadonnées permettant d’identifier un générateur d’images par IA peuvent renforcer l’hypothèse selon laquelle l’image est synthétique.
Pour obtenir des résultats plus fiables, associez les métadonnées à un deuxième indice. Passez l'image dans un autre détecteur IA utilisant une méthode de détection différente, ou examinez-la à la recherche d'incohérences visibles. Lorsque plusieurs indices aboutissent à la même conclusion, vous pouvez évaluer l'origine de l'image avec davantage de certitude.
Questions fréquemment posées
Quelle est la précision de la détection d'images par l'IA ?
La précision de la détection des images varie selon les logiciels. A étude approfondie Une étude menée par Simiao Ren, de l’université Duke, a révélé que la précision des modèles varie entre 37,51 TP6T et 751 TP6T. Cependant, les modèles commerciaux affirment atteindre des scores compris entre 851 TP6T et 991 TP6T lors de tests contrôlés.
Quels sont les signaux pris en compte par un détecteur d'images basé sur l'IA ?
Les outils de détection d'images basés sur l'IA prennent en compte plusieurs facteurs lors de l'évaluation des images. Comme indiqué ci-dessus, ces facteurs comprennent les irrégularités au niveau des pixels, les motifs dans le domaine fréquentiel générés mathématiquement au cours du processus de création, les empreintes des modèles et les métadonnées.
Ces détails permettent aux modèles d'identifier l'IA même lorsque l'œil humain ne perçoit aucun détail de surface.
Les détecteurs d'images basés sur l'IA peuvent-ils être trompés ?
Il est possible de perturber les signaux utilisés par les détecteurs d'IA pour vérifier les images. Par exemple, un traitement intensif, une compression ou l'ajout de bruit ou de grain peuvent déformer les motifs de pixels ou les données de fréquence.
Pour obtenir les meilleurs résultats, il est recommandé d'analyser les étiquettes et les scores de détection générés par l'IA en les mettant en perspective avec les métadonnées et le contexte, plutôt que de les considérer isolément.
Réflexions finales
Les détecteurs d'images basés sur l'IA constituent une ligne de défense supplémentaire contre les contenus synthétiques ou manipulés. Bien qu'ils ne soient jamais précis à 100%, leur capacité à analyser les détails au niveau des pixels, les profils de fréquence et les métadonnées les rend extrêmement utiles pour faciliter les enquêtes.
Pour une détection précise, découvrez l’outil gratuit d’Undetectable AI Détecteur d'images AI. Il analyse les images en quelques secondes, ce qui vous évite de partager, de publier ou de vous fier par inadvertance à du contenu généré par l'IA.