Détecter si une image a été créée par l'intelligence artificielle n'est plus une tâche simple qui peut être résolue par une observation superficielle. Aujourd'hui, différencier une photographie authentique d'une image générée numériquement implique d'analyser des aspects techniques, en particulier des concepts propres au découpage technique.
L'évolution des modèles d'IA a rendu obsolètes de nombreux indices visuels qui étaient auparavant évidents, nécessitant maintenant une analyse plus rigoureuse et spécialisée.
Comment identifier les images générées par l'IA en utilisant des principes de dessin technique
Actuellement, les erreurs les plus notables et faciles à identifier dans les images générées par l'IA, telles que les mains mal formées ou le nombre incorrect de doigts, ont été corrigées par les nouveaux modèles.
C'est pourquoi les méthodes traditionnelles de détection ont perdu leur efficacité. L'analyse doit désormais s'appuyer sur l'observation de la géométrie, la projection des ombres et la cohérence de la perspective, des éléments fondamentaux du dessin technique.
L'analyse des points de fuite est essentielle. Dans un environnement réel, les lignes parallèles, comme celles formées par les rails d'un train ou les bords d'un mur, convergent en un seul point de fuite lorsqu'elles sont représentées en perspective.
Les intelligences artificielles, ne comprenant pas l'espace tridimensionnel, échouent souvent dans cette convergence, générant des scènes physiquement impossibles. Si, lors de l'examen d'une image, il est observé que les lignes ne se rejoignent pas en un point commun, il est très probable que l'image ait été générée numériquement.
Les reflets dans les miroirs et les surfaces brillantes offrent également des indices. La trajectoire entre un objet et son reflet doit suivre des règles géométriques précises, avec des lignes convergeant au bon point. Lorsque cela ne se produit pas, l'incohérence signale une génération artificielle.
L'importance de l'analyse forensique dans l'identification des images d'IA
Hany Farid, professeur à l'Université de Californie à Berkeley et référence mondiale en analyse forensique d'images, a consacré plus de 20 ans à développer des techniques pour déterminer l'authenticité des photos et vidéos.
Santiago Lyon, ancien directeur de la photographie de l'Associated Press et actuellement lié à Adobe, le décrit comme "une sorte de doyen de l'analyse forensique numérique", soulignant son expertise et son leadership dans le domaine.
Farid a été l'un des pionniers dans la détection de manipulations par l'analyse du "bruit" laissé par les caméras authentiques. Les photographies réelles résultent de l'interaction de la lumière avec un capteur électronique, tandis que les images de l'IA sont générées à partir de processus statistiques qui transforment le bruit en images cohérentes.
À l'origine, les différences au niveau des pixels facilitaient la détection, mais les modèles d'IA ont appris à imiter même ces imperfections, rendant le travail des spécialistes plus difficile.
Selon Farid lui-même, de nombreuses techniques statistiques sur les pixels ont cessé d'être utiles, car les images artificielles sont créées à partir de zéro et non sur la base de photos précédentes. Face à ce constat, l'analyse forensique actuelle repose de plus en plus sur l'accumulation d'indices techniques et géométriques, au lieu de dépendre d'une seule méthode.
Effets de l'IA sur la perception de la vérité dans les images
La prolifération d'images générées par IA pose un défi pour la confiance dans le contenu visuel. La facilité avec laquelle des images presque impossibles à distinguer de la réalité peuvent être créées, combinée à l'absence de régulation effective sur les réseaux sociaux, favorise la diffusion de la désinformation.
Cette situation érode la capacité des personnes à se fier à ce qu'elles voient, au point que, parfois, l'authenticité d'une image devient irrélevante.
Farid avertit d'une "guerre mondiale pour la vérité", où la désinformation affecte à la fois les individus et les institutions et démocraties. Lors d'une conférence TED, il a estimé que le pourcentage d'images fausses sur internet pourrait être proche de 50 %. Ce chiffre illustre l'ampleur du défi et la nécessité de disposer d'outils d'analyse technique pour maintenir la confiance dans le contenu visuel.
Le développement de nouvelles techniques de détection suit le rythme de l'évolution de l'IA. Certains experts estiment que chaque méthode a une durée de vie limitée, car les générateurs numériques s'améliorent rapidement et corrigent leurs erreurs.
Cependant, Farid pense qu'il y a des limites à ce que l'IA peut réaliser, surtout dans la simulation de processus physiques complexes, comme les explosions, car reproduire ces phénomènes avec précision nécessite un niveau de compréhension que les entreprises d'IA ne se sont pas donné pour objectif d'atteindre.
Stratégies pratiques pour l'utilisateur moyen
Bien que les méthodes les plus avancées de détection soient entre les mains d'experts, tout le monde peut appliquer certains principes pour observer une image avec scepticisme. Prêter attention aux incohérences dans la perspective, aux ombres qui ne correspondent pas à la source de lumière et aux reflets impossibles permet de rassembler des indices.
La clé réside dans l'accumulation d'anomalies : si une image présente plusieurs de ces incohérences, la probabilité qu'elle ait été générée par l'IA augmente significativement.
Les entreprises qui développent l'intelligence artificielle ne cherchent pas à tromper les spécialistes en analyse forensique, mais à convaincre l'utilisateur moyen. C'est pourquoi, le système visuel humain omet souvent des anomalies qui, pour un œil entraîné et ayant des connaissances en dessin technique, sont évidentes.
L'attention au détail et la connaissance des règles géométriques restent, pour l'instant, les meilleures outils pour identifier des images générées par intelligence artificielle.