Une image IA est générée, pas estampillée à partir d’un modèle unique
Les systèmes de diffusion modernes partent généralement d’un bruit dans une représentation latente, puis le réduisent progressivement en fonction d’un prompt, d’un modèle et de paramètres de génération. Ce processus produit des régularités statistiques dans les pixels, mais celles-ci varient selon les familles de modèles, la résolution, les retouches et les exports. L’article fondateur sur la diffusion latente décrit ce mécanisme de génération.
Source : Latent Diffusion Models, CVPR 2022
Quatre niveaux d’indice répondent à des questions différentes
Motifs visuels
Un classificateur dont la version est indiquée recherche des corrélations spatiales et fréquentielles apprises. Il fournit un indice probabiliste, pas une signature.
Métadonnées du générateur
Les noms de logiciels, prompts, seeds, modèles et graphes de workflow peuvent indiquer un processus de génération, mais les métadonnées ordinaires sont modifiables.
Provenance signée
Un manifeste C2PA lie des assertions aux octets du fichier et consigne l’état de validation, le signataire, les actions et les composants utilisés.
Filigrane propriétaire
Un signal propriétaire tel que SynthID nécessite le vérificateur compatible du fournisseur. Une analyse générique des métadonnées ne peut pas le remplacer.
Pourquoi les classificateurs visuels peuvent se contredire
Les détecteurs issus de la recherche apprennent des corrélations à partir d’exemples connus. De nouveaux générateurs, une forte compression, un recadrage, une illustration ou un traitement inhabituel peuvent modifier ces corrélations. Les travaux sur la détection spectrale décrivent à la fois des artefacts utiles et la difficulté de généraliser à des générateurs inconnus. Tout indice visuel doit donc préciser le modèle, sa version et ses seuils.
Source : Any-Resolution AI-Generated Image Detection, CVPR 2025
Pourquoi les métadonnées sont utiles, mais modifiables
Les blocs texte PNG, EXIF, XMP et les enregistrements propres aux applications peuvent contenir le nom du générateur, un prompt ou un graphe ComfyUI. Lorsqu’ils sont présents, ils constituent des indices solides pour ce fichier précis. Une capture d’écran, un réencodage, une plateforme sociale ou un éditeur configuré pour supprimer les métadonnées peut toutefois les effacer.
Comment sont construites les Content Credentials C2PA
Un manifeste C2PA associe des assertions, une déclaration, une signature cryptographique et une liaison forte au fichier. La validation contrôle la structure, les empreintes des assertions, la liaison au fichier, la signature, l’horodatage et la politique de certificats. La spécification C2PA 2.4 définit un mécanisme de provenance et de détection des altérations ; elle ne garantit pas que l’événement représenté est réel.
Source : C2PA Technical Specification 2.4
| État C2PA | Ce qu’il permet d’établir | Ce qu’il ne permet pas d’établir |
|---|---|---|
| Fiable / valide | Le manifeste pris en charge et sa liaison au fichier ont été validés selon la politique de confiance sélectionnée. | Que chaque assertion est objectivement vraie. |
| Valide mais non fiable | La structure et la liaison sont valides, mais le signataire ne figure pas dans la liste de confiance sélectionnée. | Que le signataire est malveillant ou que l’image est fausse. |
| Invalide / altéré | Un contrôle de signature, d’assertion ou de liaison au fichier a échoué. | Quelle modification ou quelle personne a provoqué l’échec. |
| Aucun manifeste | Aucun manifeste pris en charge n’a été trouvé dans cette copie. | Que l’image provient d’un appareil photo ou d’un humain. |
SynthID et les autres filigranes invisibles
Google DeepMind présente SynthID comme un signal imperceptible intégré au contenu généré et lu par un détecteur compatible. Google en précise aussi les limites : un résultat SynthID négatif concerne les systèmes Google AI pris en charge, pas tous les générateurs. Ce site indique « non testé » tant qu’aucune vérification compatible du fournisseur n’est réellement disponible.
Source : Google DeepMind — SynthID
Pourquoi notre rapport par niveaux est plus utile qu’un pourcentage unique
- Identifier le conteneur avant d’interpréter les champs.
- Lire les blocs PNG, EXIF, XMP et les workflows pris en charge sans considérer le nom du fichier comme une preuve.
- Valider C2PA séparément avec un lecteur conforme et conserver les différents états de validation.
- Exécuter séparément le modèle visuel épinglé, avec ses seuils publiés.
- Afficher les contradictions au lieu de fondre des signaux sans rapport dans un pourcentage artificiellement convaincant.
Comment interpréter le résultat
| Résultat | Interprétation limitée |
|---|---|
| Indice explicite d’IA trouvé | Un générateur, un workflow ou une déclaration de source IA pris en charge a été trouvé. |
| Motifs visuels associés à l’IA | Le modèle visuel a dépassé son seuil d’affichage prudent ; des erreurs restent possibles. |
| Éléments vérifiables | Des métadonnées ou une provenance sont présentes, sans déclarer à elles seules une génération par IA. |
| Provenance invalide | Un contrôle de validation C2PA pris en charge a échoué et doit être examiné. |
| Non concluant | Aucun signal décisif pris en charge n’a été trouvé dans cette copie. |
Quels outils permettent de vérifier chaque niveau ?
Utilisez un validateur C2PA ou un inspecteur Content Credentials pour la provenance signée, ExifTool pour une inspection large des métadonnées, ComfyUI pour les graphes ComfyUI intégrés, l’onglet PNG Info d’AUTOMATIC1111 pour ses paramètres enregistrés et le vérificateur du fournisseur pour les filigranes propriétaires. La compatibilité dépend du format et du parcours d’export.
Questions fréquentes
Peut-on supprimer les métadonnées IA ?
Oui. Les métadonnées ordinaires et les workflows peuvent être supprimés. Une altération C2PA est détectable tant que le manifeste reste disponible, mais une copie ultérieure peut aussi omettre entièrement ce manifeste.
L’absence de C2PA prouve-t-elle qu’il s’agit d’une vraie photo ?
Non. Elle signifie seulement qu’aucun manifeste C2PA pris en charge n’a été trouvé dans cette copie.
Un outil d’IA peut-il retoucher une vraie photographie ?
Oui. La provenance peut décrire les éléments sources et les actions effectuées, tandis qu’un modèle visuel peut ne réagir qu’à une partie d’un montage.