Photo modifiée par IA : comment repérer une retouche locale

Pour rechercher une retouche par IA dans une photo, ciblez la zone contestée avec une analyse conçue pour les modifications locales. Vérifiez ce que représentent les zones signalées et les scores, puis comparez les constats à l’historique de la source ou à une référence fiable. Une photo peut conserver presque toute la scène d’origine alors qu’un détail décisif a été généré ou effacé : classer l’image entière ne répond pas à cette question locale.

En mai 2023, le communiqué d’Adobe France présentait le remplissage génératif (Generative Fill) de Photoshop comme un outil permettant « d’ajouter, de supprimer ou d’étendre les contenus d’une image à partir d’un simple prompt » (Adobe France, communiqué de mai 2023). Ce sont précisément les modifications qu’un examen local doit savoir traiter : elles peuvent changer un détail décisif tout en préservant la scène qui l’entoure.

La démarche tient en quatre temps : choisir la tâche, lire le constat local, confronter les éléments pertinents, agir sur ce qui reste ouvert. Un bon résultat de localisation indique où regarder. Ce sont les éléments relatifs à la façon dont cette zone a été produite qui permettent un constat plus précis de retouche par IA.

Définir la question avant de choisir un détecteur

Partez du fait que la photo doit établir, par exemple : « Le lave-linge retourné présente une fissure sur le hublot. » Délimitez la zone pertinente et précisez ce que vous devez savoir à son sujet : la fissure est-elle visible, cette partie de l’image a-t-elle changé, et ce changement fait-il intervenir une IA générative ?

Définissez les modifications qui comptent pour la décision. Effacer un passant à l’arrière-plan peut être acceptable dans une publicité ; remplacer une étiquette d’identification peut ôter toute valeur à la pièce. Examinez la modification qui affecte l’affirmation.

Trois tâches techniques sont particulièrement faciles à confondre :

Un détecteur peut combiner ces tâches, mais son évaluation doit étayer chacune des capacités annoncées. Un outil entraîné à distinguer des scènes entièrement générées de photos d’appareil n’est pas automatiquement validé pour l’inpainting local. Un détecteur de manipulations généraliste peut repérer des retouches classiques sans les distinguer des modifications génératives. Le NIST cite les contenus partiellement synthétiques comme une difficulté pour toutes les méthodes de détection et range l’attribution, c’est-à-dire l’identification de l’entité ou de l’outil à l’origine du contenu, parmi les informations supplémentaires que certains outils tentent de déduire (NIST AI 100-4, section 3.2).

Vérifier ce que signifie réellement une carte de localisation

Avant d’interpréter une superposition colorée, obtenez la définition du résultat. S’agit-il d’un score de manipulation, d’un score d’anomalie, d’une estimation de confiance ou d’une visualisation de l’attention du modèle ? Une valeur plus élevée signifie-t-elle davantage de soupçon ? Un seuil a-t-il été appliqué ? Les valeurs sont-elles comparables d’une image à l’autre, ou l’affichage réétalonne-t-il chaque carte séparément ?

Lisez la légende avant les couleurs. Une tache vive peut représenter la valeur la plus élevée de cet affichage plutôt qu’un niveau d’alerte fixe. Un score global de 0,8 ne signifie pas que 80 % des pixels ont été retouchés. Avant de le lire comme une probabilité fiable de 80 % que la condition visée par l’outil soit remplie, vérifiez sa définition et sa calibration sur des fichiers comparables.

Un outil de localisation peut rendre trois résultats différents : l’endroit où une zone réagit comme anormale, la fiabilité de cette réaction et une décision sur l’image entière. Une forte réaction dans une zone intacte est une fausse alerte, et l’estimation de fiabilité peut elle-même se tromper, en particulier après compression ou redimensionnement. Pour un acheteur, la distinction compte : demandez comment l’outil sépare une zone suspecte de la confiance accordée à ce constat.

Utilisez cette grille de lecture avant de présenter une carte en réunion de décision :

Un masque seuillé est une zone estimée, pas la sélection de retouche retrouvée. Son contour peut déborder l’élément, en omettre une partie ou refléter la résolution spatiale du modèle. Ne calculez pas un « pourcentage de l’image retouché » à partir de ce masque, sauf si la définition et la validation de l’outil le justifient. Lorsque la précision de localisation n’est pas établie, décrivez le recouvrement en termes qualitatifs.

Transformer le constat en action

La valeur d’une carte tient à ce qu’elle permet d’examiner. Partez de l’élément qui compte, vérifiez si le constat le recouvre, puis choisissez l’élément qui peut lever ce doute précis.

La vérification d’images de Fileverity réunit la détection de la génération par IA, la localisation des retouches et la lecture de la provenance. Pour cette question, l’analyse distingue une photo réelle dont des zones ont été régénérées par remplissage génératif ou inpainting d’une image générée dans son ensemble, marque les zones régénérées et les signale avec leurs coordonnées en pixels. Si vous évaluez Fileverity pour une équipe, utilisez des exemples des retouches locales et des conditions de transmission que vous rencontrez réellement, et vérifiez séparément vos exigences de détection, de localisation et d’attribution à l’IA.

Pourquoi une petite retouche peut disparaître dans un résumé global

Fileverity traite la génération de l’image entière et la manipulation localisée comme deux questions distinctes. L’une des raisons techniques est la parcimonie spatiale : les indices d’une retouche locale peuvent n’occuper qu’une très petite fraction de l’image. Réduire une carte spatiale à un seul nombre peut faire perdre à la fois la force et l’emplacement de ces indices.

Prenons une carte fictive et volontairement simple de 10 000 cellules de même taille. Supposons que 100 cellules aient un score de manipulation de 0,90 et les 9 900 autres un score de 0,10. Avec une moyenne ordinaire, on obtient :

Score moyen = (100 × 0,90 + 9 900 × 0,10) / 10 000 = 0,108.

Plus généralement, si une fraction f a le score a et le reste le score b, la moyenne vaut b + f(a − b). La contribution locale diminue avec sa part de surface. Ici, la zone à score élevé ne modifie la moyenne que de 0,008, alors que ses valeurs dépassent largement celles du fond. Cette moyenne simple illustre le problème d’agrégation ; elle ne décrit pas la méthode de calcul des scores de Fileverity.

Le maximum donne 0,90 : il préserve une valeur extrême, mais crée un autre problème, car une seule réaction isolée et erronée peut déterminer tout le résumé. L’emplacement et l’organisation spatiale apportent une information qu’aucun de ces deux nombres ne contient. Un groupe compact à côté d’une fissure contestée et cent cellules dispersées peuvent avoir la même moyenne et le même maximum. Ils appellent des examens différents, même si aucun des deux motifs ne démontre à lui seul une modification.

La leçon d’ingénierie est de conserver assez d’information spatiale pour interpréter un constat global, et de peser la fiabilité d’une réaction locale autant que sa force.

Un classifieur de génération d’image entière ne fait pas nécessairement la moyenne d’une carte de manipulation : il peut estimer une autre cible à partir d’autres indices appris. Un signal de génération faible ne peut donc pas remplacer la question locale absente. Pour un appareil déclaré endommagé, gardez l’emplacement du constat rattaché à la fissure examinée, puis demandez des pièces sur cette partie du même article. Lors d’un essai pilote, faites varier à la fois la taille des retouches et la qualité de transmission : un banc d’essai de scènes entièrement générées ne dit pas si de petites retouches décisives restent détectables.

Garder le fichier et son historique liés

La comparaison ci-dessous part d’une photographie réelle de cuisine prise en 2019 par Eli Christman. Fileverity a ajouté par IA une fissure fictive sur le bol du blender dans une copie dérivée. Les agrandissements correspondants permettent de comparer facilement le défaut ajouté avec la paroi d’origine.

La scène environnante reste plausible. Dans l’examen d’un retour, la fissure ajoutée pourrait pourtant décider de l’issue : la paroi du bol devient la priorité de l’analyse locale et des demandes de pièces.

Conservez le fichier reçu et attribuez-lui une référence stable. Notez ses dimensions, le canal de réception et les traitements connus. Définissez la zone d’intérêt (ZI) par ses coordonnées et une courte description, en précisant si les coordonnées se rapportent au fichier enregistré ou à une vue dont l’orientation a été corrigée. Rattachez recadrages et résultats au fichier parent. Un cadre d’examen indique où vous regardez ; ce n’est pas un masque de retouche.

Si vous avez reçu une capture d’écran, demandez la photographie en pièce jointe. Examinez la scène entière autant que la zone : reflets, ombres et objets voisins peuvent expliquer un contour ou rattacher l’objet à son environnement.

Les Content Credentials (identifiants de contenu C2PA) peuvent apporter des informations signées sur la création ou la retouche ; Adobe indiquait dès 2023 que le remplissage génératif intégrait cette technologie (communiqué cité plus haut). Consignez le résultat de validation, le signataire, les actions pertinentes et le lien avec le fichier reçu. Déterminez si une action concerne la zone contestée ou une partie non précisée de l’image. L’Explainer C2PA décrit ces déclarations, dont toute altération est détectable, et leurs limites : l’historique peut être incomplet, et il n’établit pas la véracité de l’événement représenté (C2PA 2.2, Explainer, sections 7.1 et 7.2).

Les métadonnées ordinaires fournissent des pistes sur les logiciels et les dates. Servez-vous-en pour interroger l’historique de traitement, en fondant toute conclusion sur la zone contestée sur les éléments disponibles.

Tenir compte du redimensionnement, de la compression et des copies d’analyse

Avant l’examen, une image peut avoir été redimensionnée, compressée, recadrée ou capturée à l’écran. Consignez ces conditions connues et vérifiez que l’outil a été évalué sur des fichiers comparables. Ne transposez pas un résultat obtenu sur des fichiers propres à une pièce fortement transformée sans élément montrant que la comparaison est pertinente ; le guide sur les captures d’écran et images compressées détaille ce point.

Recadrer peut faciliter l’examen humain d’un détail contesté, mais modifie aussi l’entrée du détecteur et supprime du contexte. Si l’analyse d’un recadrage est prise en charge, conservez séparément le résultat sur l’image entière et celui sur le recadrage, avec les coordonnées du recadrage. Un écart de score entre les deux ne démontre pas à lui seul que le recadrage contient une retouche.

De même, une copie agrandie ou accentuée peut aider la discussion, mais c’est une copie dérivée : étiquetez-la et conservez la source. N’utilisez pas d’amélioration générative pour reconstituer un détail censé faire foi ; un contour ou un caractère inféré ne peut pas établir ce que les pixels reçus enregistraient. Lorsqu’un élément est illisible, « illisible dans le fichier fourni » est souvent l’observation la plus utile.

Cette étape doit aboutir à l’une de deux positions claires : le fichier disponible convient à l’analyse prévue, ou une limite importante subsiste. Ne transformez pas discrètement la seconde en « aucune retouche constatée ».

Exemple : une fissure sur le hublot d’un lave-linge

Cas fictif. Dans le cadre d’un retour, un client transmet une photographie de 4 000 × 3 000 pixels. Un cadre de 400 × 300 pixels englobe la fissure déclarée sur le hublot et la surface voisine. Sa surface est de 120 000 pixels sur 12 000 000, soit 1 % de l’image.

Le cadre d’examen couvre 1 % de l’image, et la fissure peut pourtant décider du retour. C’est pourquoi l’analyse locale compte : la question porte sur cet élément, quelle que soit la part du reste de la photo restée intacte. La surface du cadre relève de la géométrie ; ce n’est ni une mesure des pixels retouchés ni une sensibilité du détecteur.

Supposons qu’un outil de manipulation généraliste signale une partie du hublot près de la fissure, tandis que le classifieur global ne signale pas la photo. Ces résultats fictifs répondent à des tâches différentes : conservez-les tous deux, avec leurs définitions. Le signal local désigne à l’analyste une partie précise de la pièce à examiner. Avec l’analyse de Fileverity, ce signal prend la forme d’une zone localisée avec ses coordonnées en pixels et d’une solidité indiquée, consignées dans un rapport vérifiable avec l’empreinte SHA-256 du fichier.

La zone signalée recouvre une partie du cadre pertinent sans suivre toute la fissure. Consignez une possible modification locale et demandez des pièces complémentaires sur le hublot. Le résultat de l’outil généraliste laisse ouverte la question de l’intervention de l’IA ; un artefact de traitement ou une explication liée à la scène restent possibles.

Demandez, par le circuit de retour habituel, une vue du même hublot montrant assez de l’appareil pour le rattacher à la commande : « Merci de photographier le hublot et la plaque signalétique sur une même vue, puis d’envoyer un gros plan de la fissure, en pièce jointe. » Si une inspection est possible, faites-la porter directement sur cet élément. Vous ciblez ainsi le point non résolu au lieu de réclamer de nouvelles copies de la même photographie.

Si l’inspection confirme le dommage, cela peut appuyer la demande même si l’historique de retouche du premier fichier reste non résolu. Si la nouvelle vue semble incohérente, vérifiez d’abord qu’elle montre le même appareil, la même zone et le bon moment : l’état a pu évoluer. Un désaccord appelle un rapprochement ; il n’établit pas à lui seul une intention de tromper. Pour la conduite complète d’une demande de remboursement, voir la méthode pour les e-commerçants ; pour les sinistres, l’examen des photos de sinistre.

Tenir une fiche d’analyse exploitable par un tiers

Renseignez chaque rubrique avec les informations du dossier et écrivez « inconnu » le cas échéant. Séparer observations et inférences évite qu’un signal provisoire ne devienne une allégation factuelle lors d’une transmission.

Pour l’exemple fictif, une formulation défendable serait : « Un résultat d’analyse des manipulations recouvre une partie de la zone du hublot. Il n’établit pas l’utilisation d’une IA générative. Le fichier fourni et ce résultat ne permettent pas de dire si la fissure déclarée était présente sur l’appareil. Demander une vue prise séparément ou une inspection rattachée au même appareil. »

Fixez l’action suivante selon ce qui manque : un meilleur fichier pour un problème de qualité, une explication pour une incohérence de provenance, une constatation physique pour une affirmation non résolue sur la scène. Faites intervenir un spécialiste lorsque son analyse pourrait changer la décision. La clôture indique quelle question a été tranchée et quelles questions sur l’historique du fichier restent ouvertes.

Évaluer la tâche de retouche locale dont vous avez besoin

Pour une photo dont une zone est contestée, demandez une analyse : elle signale les zones retouchées ou régénérées avec leurs coordonnées en pixels et remet un rapport vérifiable. Désignez l’élément contesté avant d’interpréter le résultat, puis consignez le constat avec la fiche ci-dessus. Les fichiers sont supprimés après l’analyse et ne servent jamais à entraîner les modèles (Sécurité).

Pour une évaluation par une équipe, parcourez des cas réels de votre processus avec notre équipe, en décrivant les retouches locales à examiner, les tailles d’image et les canaux de transmission habituels. Distinguez les exigences de détection, de localisation et d’attribution à l’IA : l’évaluation aura un objet concret et une base claire pour juger de l’adéquation de l’outil.

Pour comparer des retouches classiques et génératives à des versions antérieures, voir «  Comment savoir si une photo a été retouchée » ; pour l’origine d’une image entière, «  Comment savoir si une image est générée par IA ».

Questions fréquentes

Un détecteur repère-t-il le remplissage génératif de Photoshop ?

Seulement si la tâche qu’il prend en charge et son évaluation couvrent les retouches locales concernées et les conditions de transmission. L’étiquette générale « détecteur d’images IA » ne suffit pas à établir cette capacité. Photoshop inscrit généralement le remplissage génératif dans les Content Credentials du fichier ; lorsqu’ils ont été supprimés, l’analyse de Fileverity examine les pixels à la recherche de zones régénérées. Pour une retouche très petite ou un fichier fortement recompressé, le résultat peut être « Indéterminé » : demandez alors le fichier source.

Une zone non signalée est-elle d’origine ?

Non. Cela signifie que l’analyse utilisée n’a pas signalé cette zone dans les conditions de l’examen. La valeur de ce résultat négatif dépend de la sensibilité validée de l’outil sur des cas comparables.

La carte peut-elle désigner l’outil ou l’auteur ?

Une carte de localisation générique, non. L’attribution exige des éléments spécifiques. Lorsqu’une analyse indique une famille de modèles probable, elle le fait à partir d’autres éléments, comme les métadonnées, un filigrane ou l’analyse des pixels, et ne désigne ni la personne, ni le compte, ni l’invite. Ne déduisez jamais l’auteur, l’invite ou l’intention de la forme d’une zone signalée.

Par Yang Zheng