Une photo de requin géant nageant dans une rue inondée refait surface après chaque ouragan. On la partage, on s’alarme, puis quelqu’un finit par signaler que c’est un montage vieux de plus de dix ans. Le problème, c’est que la plupart des gens n’ont ni le réflexe ni les outils pour vérifier une image avant de la relayer. Savoir si une image a été manipulée repose sur quelques méthodes concrètes, accessibles sans formation technique.
Analyse ELA : lire les niveaux de compression d’une photo
Quand on retouche une zone d’une image JPEG, cette zone est recompressée différemment du reste. L’Error Level Analysis (ELA) exploite ce décalage. Un outil comme FotoForensics génère une carte de luminosité : les zones récemment modifiées ressortent plus claires que le reste de l’image.
A lire également : La méthode 2FA est-elle sûre ?
Concrètement, on uploade la photo sur le site, et on obtient une version où les écarts de compression révèlent les retouches. Une image homogène (tout au même niveau de luminosité) a de bonnes chances d’être intacte. Des zones anormalement lumineuses sur un fond sombre signalent un ajout ou un clonage.
La limite de cette méthode : elle fonctionne surtout sur les JPEG. Les fichiers PNG, qui n’utilisent pas la même compression, donnent des résultats moins lisibles. Et une image recompressée plusieurs fois (partagée de réseau en réseau) brouille les pistes, car chaque compression ajoute du bruit.
A lire en complément : Où stocker les données en toute sécurité ?
Recherche inversée d’image : remonter à la source originale
Avant même d’analyser les pixels, on peut chercher si l’image existe déjà ailleurs. La recherche inversée d’image via Google Images, TinEye ou Photo Sherlock permet de retrouver les publications antérieures d’une photo et de comparer les versions.
Si la même image apparaît dans un article daté de plusieurs années avant l’événement qu’elle est censée illustrer, c’est un signal clair de réutilisation trompeuse. Ce n’est pas une manipulation au sens technique (les pixels n’ont pas changé), mais c’est une forme de falsification du contexte.
- TinEye indexe les images et affiche un historique de publication, ce qui aide à identifier la première occurrence connue d’une photo.
- Google Reverse Image Search fonctionne directement depuis le navigateur mobile (appui long sur une image sous Chrome) et ratisse un index plus large.
- Photo Sherlock est une application mobile qui simplifie le processus sur smartphone, pratique pour une vérification rapide sur le terrain.
Remonter à la source originale d’une photo reste le réflexe le plus fiable avant toute analyse technique. Si on trouve la version non recadrée ou non retouchée, la comparaison visuelle suffit souvent.
Métadonnées EXIF et Content Credentials : ce que le fichier dit de lui-même
Chaque photo prise par un appareil ou un smartphone embarque des métadonnées EXIF : modèle de l’appareil, date de prise de vue, coordonnées GPS parfois. Quand ces données sont présentes, elles permettent de vérifier la cohérence entre ce que l’image montre et ce que le fichier raconte.
Un paysage censé avoir été photographié à Paris dont les coordonnées GPS pointent vers le Kazakhstan pose un problème évident. On consulte ces données avec des outils gratuits comme Jeffrey’s Exif Viewer ou directement dans les propriétés du fichier.
Les limites des métadonnées classiques
La plupart des réseaux sociaux suppriment les données EXIF au moment de l’upload. Une image récupérée sur Twitter ou Instagram arrive nue, sans aucune information exploitable. L’absence de métadonnées ne prouve rien dans un sens ni dans l’autre.
Content Credentials et standard C2PA
Le standard C2PA (Coalition for Content Provenance and Authenticity) va plus loin. Il enregistre l’outil utilisé pour créer ou modifier l’image, la date et les modifications successives via des métadonnées signées cryptographiquement. OpenAI intègre par exemple des Content Credentials dans les images produites par ChatGPT ou son API, combinées parfois avec un filigrane invisible SynthID.
Ces informations restent utiles quand elles sont présentes, mais elles disparaissent après une capture d’écran ou une conversion de format. L’absence de Content Credentials ne signifie pas que l’image est manipulée, simplement que la chaîne de traçabilité a été rompue.
Détection d’images générées par IA : les signaux visuels et les détecteurs automatiques
Les images entièrement générées par intelligence artificielle posent un problème différent de la retouche classique. On ne cherche plus une zone modifiée dans une photo réelle, mais des indices que l’ensemble de l’image est synthétique.
Certains signaux visuels persistent malgré les progrès des générateurs :
- Les mains comportent souvent un nombre incorrect de doigts, des articulations floues ou des ongles mal définis.
- Les textes incrustés dans l’image (enseignes, panneaux) sont fréquemment illisibles ou incohérents.
- Les arrière-plans peuvent présenter des répétitions de motifs ou des objets qui se fondent de manière illogique.
- Les reflets dans les yeux ou les surfaces vitrées ne correspondent pas toujours à l’éclairage de la scène.
Ces indices visuels deviennent moins fiables à mesure que les modèles s’améliorent. Des outils de détection automatique comme ceux proposés par ZeroGPT ou CudekAI analysent les patterns statistiques de l’image pour estimer la probabilité qu’elle soit synthétique. Les retours varient sur ce point : aucun détecteur ne garantit un résultat fiable à chaque fois, et les taux de faux positifs restent significatifs.
Obligation de marquage des images IA : ce que prévoit l’AI Act européen
L’article 50 de l’AI Act européen introduit une contrainte réglementaire directe. Les fournisseurs de systèmes générant des images synthétiques doivent les marquer de manière détectable par logiciel. Pour les contenus constituant des deepfakes, les déployeurs doivent aussi signaler clairement au public que le contenu a été généré ou manipulé.
Cette obligation ne résout pas tout. Un marquage réglementaire ne garantit pas à lui seul la fiabilité du contenu. Un acteur malveillant peut supprimer le marquage, et les images produites hors juridiction européenne n’y sont pas soumises. La réglementation ajoute une couche de traçabilité, pas une solution de vérification universelle.
En pratique, la détection d’une image manipulée repose rarement sur un seul outil. On croise la recherche inversée, l’analyse des métadonnées, l’ELA et l’inspection visuelle. La combinaison de ces méthodes donne un faisceau d’indices, pas une certitude absolue, mais c’est ce faisceau qui permet de prendre une décision éclairée avant de partager ou de publier une image.
