Détecteur d'image IA : comment vraiment vérifier une image
Résumé
Les détecteurs d'image IA ne sont pas des juges, mais des alarmes. Découvre comment ils fonctionnent réellement, pourquoi les captures d'écran et les compressions de fichiers les déjouent complètement, et surtout : la routine complète en cinq étapes que les art directors utilisent pour vérifier une image avant de la montrer à un client. Sans avoir besoin de scanner chaque pixel toi-même.
Tu as une image sur l'écran et une question : vraie ou générée ? Un détecteur d'image IA te donnera un pourcentage en trois secondes, et ce chiffre a moins raison que l'interface ne te le fait croire. Voici ce qui tient, ce qui casse, et la routine qu'un art director peut lancer avant de faire passer une image à un client.
Version courte : traite un détecteur comme un détecteur de fumée, pas comme un juge.
Ce qu'un détecteur d'image IA regarde vraiment
La plupart des détecteurs sont des classifieurs entraînés sur deux piles : des photos venues de caméras et des sorties de générateurs comme Midjourney, Stable Diffusion et DALL-E. Ils apprennent les habitudes statistiques. Patterns de bruit, artefacts de fréquence, la façon dont la texture fine se répète quand un modèle remplit les détails.
C'est tout le truc. Pas de magie, juste un modèle qui a vu beaucoup des deux. Et ça explique aussi la faiblesse principale. Un détecteur n'est bon que selon les générateurs sur lesquels il a été entraîné, et les générateurs changent tous les deux-trois mois.
Certains outils ajoutent une deuxième couche : ils lisent les métadonnées de provenance et les watermarks. C'est une bête différente, et on y revient plus loin.
À quel point ils sont vraiment précis
Dépend de qui tient la règle. Un test qui a fait tourner huit outils sur un petit ensemble de vraies photos plus Midjourney v6, DALL-E 3 et Stable Diffusion rapporte Hive Moderation autour de 94% et Illuminarty autour de 91%. Ce sont des chiffres décents sur des fichiers propres et non compressés.
Maintenant lis les petits caractères. Le même article admet que la précision réelle glisse avec l'édition post-traitement et la compression à l'upload. Les vendeurs publient aussi leurs propres benchmarks, ce qui est un peu comme un chef reviewer son propre restaurant.
Voilà le test qu'on ferait, et celui que tu peux faire en dix minutes. Prends trois groupes de fichiers dont tu connais l'origine :
des sorties brutes de Midjourney v7 et Flux
les mêmes fichiers après une capture d'écran et une re-sauvegarde en JPEG
des vraies photos et des scans, y compris de stock film ancien
Attends-toi à trois choses. Les générations propres se font attraper la plupart du temps. Les copies re-sauvegardées se font attraper nettement moins. Et quelques vraies photos, surtout les douces ou très retouchées, se font flaguer comme IA. C'est ce dernier groupe que personne ne met sur la landing page.
Les vendeurs publient des chiffres de faux positifs. Un outil cite un taux de 0,16% sur 10 000 images faites par humain d'avant 2022, ce qui est impressionnant, mais c'est le benchmark maison du vendeur sur un dataset spécifique. Ta photo client retouchée à mort n'est pas ce dataset.
Saute tout outil qui affiche un pourcentage unique confiant sans explication. Ça vaut le coup : les outils qui montrent quelle région de l'image semble bizarre, et qui admettent quand ils ne sont pas sûrs.
Pourquoi les captures d'écran et re-compressions cassent tout
Parce que la preuve vit dans des endroits fragiles. Les fingerprints au niveau des pixels sur lesquels les classifieurs s'appuient se brouillent avec le redimensionnement, la recompression et les filtres. Instagram, X et la plupart des apps chat font les trois dès que tu upload.
Même histoire pour les métadonnées. Les content credentials et les champs EXIF sont stockés dans le conteneur de fichier, et les plateformes les strippent régulièrement. Une credential manquante ne prouve rien. Ça ne veut pas dire que l'image est fausse, et ça ne veut pas dire qu'elle est vraie.
C'est la partie que les gens ratent. L'absence de signal n'est pas un signal.
Watermarks et content credentials : meilleur signal, couverture plus petite
Deux systèmes comptent en 2026. Les Content Credentials du standard C2PA attachent un enregistrement signé de l'outil et des édits au fichier. Les watermarks style SynthID intègrent un signal invisible aux pixels au moment de la génération. Cet explainer sur C2PA versus SynthID pose bien la distinction : les credentials te racontent l'histoire d'un fichier, le watermark te dit quel générateur l'a fait, et ni l'un ni l'autre ne marche sans que le générateur joue le jeu.
Quand ils sont présents, ils battent n'importe quel classifieur. Une signature valide, c'est une preuve, pas une supposition.
Le hic, c'est la couverture. Les modèles open-weight tournent localement, donc personne n'est obligé d'attacher quoi que ce soit. Si ta référence vient d'un pipeline Flux ou SD3.5 fait maison, attends-toi à rien. Pique cette règle : un hit de provenance positif est fort, un hit négatif, c'est du silence.
La routine de l'art director : cinq checks avant de faire confiance
Les détecteurs, c'est une entrée. Voilà l'ordre qu'on suit.
Regarde l'image à 200% d'abord. Mains, dents, bijoux, texte sur les panneaux, la couture où les cheveux rencontrent le fond. Des tells vieillots, mais ils attrapent encore les trucs lazy.
Demande le fichier original. Un RAW appareil ou un PSD en couches, ça vaut plus que n'importe quel score.
Fais tourner deux détecteurs, pas un. S'ils ne sont pas d'accord, ce désaccord, c'est ta trouvaille.
Recherche inversée. Une vraie photo a généralement une histoire. Une génération fraîche, généralement pas.
Check les données de provenance si le fichier en a conservé.
Rien de ça n'est rapide. Pas besoin que ça le soit. Tu lances ça juste quand l'image compte : un brief client, une soumission de concours, une source que tu comptes créditer.
Qu'est-ce qu'un score de détecteur qui dit 60% veut dire
Pas grand-chose. Une sortie de classifieur, c'est une confiance venue d'un modèle, pas une probabilité que l'image soit vraiment fausse. Des outils différents calibrent différemment, donc 60% dans un produit peut vouloir dire pareil que 85% dans un autre.
Deux règles te gardent honnête. D'abord, ignore la bande du milieu. N'importe quoi entre à peu près 30% et 70%, c'est l'outil qui hausse les épaules. Deuxième, ne compare jamais les scores entre les produits. Compare les verdicts sur la même image, et regarde où ils ne sont pas d'accord.
Le désaccord, c'est là que le travail intéressant est. Si un outil dit 92% IA et l'autre dit 8%, l'un d'eux n'a jamais été entraîné sur ce générateur, ou le fichier a été massacré en transit. Retourne à la source, demande l'original, et revérифie les métadonnées.
Quelles images trompent les détecteurs le plus souvent
Certaines catégories sont constamment dures, et ça vaut le coup de savoir avant de mettre ta confiance dans un score.
Le travail très stylisé. Les looks riso print, illustration plate, émulation de film grain : plus le style s'éloigne d'une caméra, moins un classifieur entraîné sur des photos a d'où s'accrocher.
Les fichiers upscalés et sharpés. Du détail ajouté après génération brouille le fingerprint du modèle original.
Les petits crops. Une vignette de 400 px porte beaucoup moins de signal qu'une pleine frame.
Les images hybrides. Une vraie photo avec un ciel généré en IA, ou un portrait généré avec du vrai retouching, est dans la zone grise par définition. La plupart des outils rendent un score pour le fichier entier, donc la réponse honnête est souvent « en partie ».
Les modèles frais. N'importe quel générateur sorti après le dernier entraînement du détecteur est un angle mort jusqu'à ce que le vendeur rattrape. Cet écart, c'est quelques semaines au mieux et quelques mois au pire.
Si ton boulot de tous les jours implique de piocher des références sur Are.na, les libraries stock et les fils sociaux, suppose qu'une bonne partie de ce que tu collectes est déjà hybride. Étiquette-le dans ton moodboard, note la source, et continue.
Ce que les générateurs eux-mêmes font pour ça
Les modèles que tu utilises déjà sont la raison pour laquelle ce problème existe, donc regarde où chacun en est avec l'étiquetage de sa propre sortie.
Les sorties Midjourney sont fameusement polies, ce qui rend le tell « trop propre » plus faible avec chaque version.
Adobe Firefly s'appuie sur les Content Credentials par défaut, ce qui rend ses fichiers les plus faciles à vérifier, tant que personne ne strip les métadonnées sur le chemin vers toi.
Krea, c'est là qu'une bonne partie d'entre nous itère en temps réel. Boucles rapides, plein de stylisation, aucune promesse que quoi que ce soit en aval peut dire d'où vient une image.
Les upscalers comptent aussi ici. Faire tourner une génération par Magnific ajoute de vraie texture, et cette texture, c'est exactement ce qui confond un classifieur entraîné sur la sortie brute. Si tu comptes tester un détecteur, teste-le aussi sur les fichiers upscalés.
Prise directe : aucun de ces outils n'est construit pour te rendre la vie plus facile en tant que vérificateur. Ce boulot, c'est le tien.
Faut-il vraiment faire confiance à un détecteur pour du boulot client
Ça vaut le coup si tu l'utilises comme triage. Une image flaggée, c'est un coup d'oeil plus proche. Un score propre ne te vaut rien au-delà de « pas d'alarme déclenchée ».
Saute-le si tu es tenté d'utiliser un score comme preuve dans une dispute, une demande de suppression ou un jugement de concours. Les faux positifs sur du vrai art, c'est la partie moche. Des photographes et illustrateurs se sont fait accuser sur la force d'une sortie d'outil, et un pourcentage plat, c'est une mauvaise chose sur laquelle s'appuyer.
Ce qu'on ferait vraiment : écrire le processus. Quels outils, quelle version, quelle date, quels fichiers. Une note datée vaut mieux qu'une screenshot d'un score.
Et si tu es celui qui fabrique les images, garde tes fichiers de travail. Couches, seeds, notes de prompt, les brouillons moches du début. C'est l'assurance la moins chère qu'un art director peut s'acheter, et c'est aussi une bonne hygiène de moodboard.
Où aller ensuite
Prends cinq images dont tu connais l'origine, trois vraies et deux générées, fais-les passer par deux détecteurs, puis screenshot et relance. Tu apprendras plus sur ces outils en une session que n'importe quelle landing page ne te le dira.
Remix l'expérience avec ta stack. Lequel de tes modèles favoris se fait attraper en premier ? Lequel passe à travers ?