par digitak Installer

Analyse forensique des images générées ou modifiées par intelligence artificielle

Forensia confronte cinq familles de traces (provenance signée, métadonnées, détecteur neuronal, spectre de Fourier, compression) et en tire un verdict prudent, explicable et reproductible. Tout s'exécute sur votre machine.

Traitement 100 % local C2PA vérifié Modèle sous licence MIT Rapport HTML autonome
rapport · photo_0412.jpg
Carte par tuiles
Spectre du résidu
88 %
Forte probabilité de générationDétecteur neuronal 91 % · aucune provenance déclarée · image peu recompressée
Figure 1. Extrait d'un rapport (exemple illustratif). À gauche, la réponse du détecteur appliqué tuile par tuile ; à droite, le spectre moyen du résidu de bruit, où le sur-échantillonnage des générateurs laisse des pics périodiques.
{00}Le constat

Aucun détecteur ne reconnaît à lui seul, de façon fiable, toutes les images produites par les générateurs actuels. Le banc d'essai indépendant le plus complet à ce jour, 16 détecteurs open source évalués sur 291 générateurs, ne désigne aucun vainqueur clair et montre que les modèles commerciaux récents échappent encore largement à la détection2.

Forensia part de ce constat. Plutôt qu'un score unique, l'outil réunit des indices de nature différente : ce que le fichier déclare de lui-même (manifeste C2PA signé, IPTC, paramètres de génération), ce qu'un réseau de neurones entraîné sur 4 803 générateurs y reconnaît, et ce que révèlent le spectre et l'historique de compression. Les déclarations de provenance priment ; les estimations statistiques sont combinées en espace logit et pondérées selon la confiance mesurée de chaque analyseur.

Le résultat n'est pas une probabilité calibrée mais un niveau d'alerte, avec une zone « indéterminé » assumée. Chaque verdict est accompagné des indices qui le fondent, pour être recoupé avec le contexte de publication et une recherche d'image inversée.

Objet
Images fixes : JPEG, PNG, WebP, HEIC, AVIF, TIFF
Sortie
Verdict à six niveaux, cartes, spectres, rapport HTML ou JSON
Moteur neuronal
Community Forensics, ViT-S/16 (22 M de paramètres)1
Exécution
CPU, GPU Apple (MPS) ou CUDA, sans service tiers

Mots-clés : forensique d'image, IA générative, C2PA, détection passive, transformée de Fourier, Error Level Analysis, fusion d'indices.

{01}Les approches

Trois manières de repérer une image générée

Les acteurs du secteur combinent, à des degrés divers, les mêmes trois approches. Leurs forces et leurs angles morts sont complémentaires.

{a}

Provenance

L'outil de création déclare ce qu'il a fait, parfois sous signature cryptographique (C2PA, IPTC, métadonnées).

ForceQuasi certaine quand elle est présente et signée.
LimiteDisparaît à la première capture d'écran ou au premier ré-encodage.
{b}

Filigranes invisibles

Le générateur insère un signal dans les pixels (SynthID, Video Seal, filigranes commerciaux).

ForceRésiste à la compression et au recadrage.
LimiteNe couvre que les générateurs qui coopèrent ; détecteurs propriétaires.
{c}

Forensique passive

On cherche dans le signal les traces statistiques de la fabrication, sans coopération de l'éditeur.

ForceS'applique à n'importe quelle image.
LimiteProbabiliste ; se dégrade sur les générateurs nouveaux et les images recompressées.
{02}Comment ça marche

Ce que Forensia examine dans une image

Chaque analyseur renvoie un score dans [0, 1], un poids et des indices lisibles. Un analyseur en erreur n'interrompt pas le rapport.

Figure 2. Chaîne d'analyse. La qualité de l'image (recompression, réduction) est estimée en amont pour corriger la sous-estimation connue du détecteur neuronal sur les images dégradées.
s = σ ( Σi wi · logit(pi)max(1, √Σi wi) ) pi : score de l'analyseur i · wi : poids de confiance · σ : fonction logistique
  1. Déclarations d'abord. Un manifeste C2PA, une valeur IPTC trainedAlgorithmicMedia ou des paramètres de génération priment sur toute estimation.
  2. Somme de log-rapports de vraisemblance, à a priori neutre, pondérée par la confiance accordée à chaque analyseur.
  3. Normalisation douce : un empilement d'indices faibles ne peut pas devenir une certitude.
AnalyseurCe qu'il cherchePoids dans le verdict
Provenance C2PAManifeste signé (« Content Credentials ») d'OpenAI, Adobe, Google, Microsoft, Leica, Sony…, avec vérification de la signatureDécisif s'il déclare de l'IA
MétadonnéesEXIF, XMP/IPTC, paramètres laissés par Stable Diffusion, ComfyUI, InvokeAI, NovelAI ; une trentaine de signatures de générateursDécisif si explicite faible sinon
Détecteur neuronalCommunity Forensics1, entraîné sur 4 803 générateurs : score global et carte de localisation par tuilesPrincipal
Spectre de FourierPics périodiques laissés par le sur-échantillonnage, dans le spectre moyen du résidu de bruit3Visuel uniquement
Compression et bruitTables de quantification JPEG, Error Level Analysis, carte du bruit local, pour localiser une retoucheVisuel uniquement
Tableau 1. Analyseurs et rôle dans le verdict. Le spectre et la compression sont conservés comme outils de lecture : sur notre échantillon, l'indice spectral seul séparait moins bien que le hasard les photos sans perte et les images générées.
{03}Lire un verdict

Six réponses possibles, dont « indéterminé »

Déclarée IA

Le fichier se déclare lui-même généré : manifeste C2PA, IPTC ou paramètres de génération. Quasi certain, mais peut ne concerner qu'une partie de l'image.

Provenance certifiée

Capture d'appareil attestée par une signature C2PA valide. Seul cas où l'outil affirme une origine authentique.

Un résultat négatif ne disculpe pas. « Aucun indice » signifie que rien n'a été détecté, pas que l'image est authentique. Les générateurs récents et la recompression des réseaux sociaux échappent souvent aux détecteurs.

{04}Les chiffres

Les détecteurs actuels, testés sur 291 générateurs

Le banc d'essai indépendant de février 20262 a testé les détecteurs open source « tels quels », sans réentraînement.

16détecteurs open source évalués
291générateurs couverts, sur 12 jeux de données
2,6 Mimages analysées
0,82précision médiane du meilleur détecteur, Community Forensics
Médiane, tous jeux
82 %
Midjourney v7
24 %
FLUX Dev
21 %
Imagen 4
19 %
Figure 3. Précision moyenne des détecteurs open source sur trois générateurs commerciaux récents, comparée à la précision médiane du meilleur détecteur. Source : arXiv:2602.078142.

Aucun vainqueur clair : les classements changent d'un jeu de données à l'autre, et les ensembles de détecteurs dominent.

Les données comptent plus que l'architecture : Community Forensics doit sa généralisation à la diversité de ses 2,7 millions d'images d'entraînement.

D'où le choix de Forensia : un moteur neuronal ouvert et documenté, encadré par des indices de provenance, et une architecture où ajouter un détecteur (B-Free, SPAI…) revient à écrire un module.

{05}Ce qu'il ne voit pas

Les cas où Forensia se trompe ou ne voit rien

Un outil d'aide à la décision n'est utile que si ses angles morts sont connus de ceux qui l'emploient.

{01}

Générateurs récents

Même le meilleur détecteur open source reste faible sur FLUX, Midjourney v7, Imagen 4 ou Firefly. Firefly Image 3 et Imagen 3 sont les plus souvent manqués dans notre échantillon.

{02}

Recompression

Captures d'écran, WhatsApp, Instagram, impression puis numérisation effacent une grande partie des traces exploitables.

{03}

Spectre de Fourier

Les photos non compressées présentent elles aussi des pics (dématriçage, redimensionnement, textures). L'indice reste un outil de visualisation.

{04}

Filigranes propriétaires

SynthID et les filigranes commerciaux ne sont pas détectables sans les outils de leurs éditeurs.

{05}

Vidéo

Non prise en charge : les traces des générateurs vidéo diffèrent de celles des images4.

{06}

Calibration

Le niveau d'alerte n'est pas une probabilité. Pour un usage sérieux, mesurez sur vos propres données avec forensia evaluate.

{06}Installation

Installer et lancer une analyse

  • {1}
    Installation localePython 3.11 ou plus. Les deux réseaux (environ 700 Mo au total) sont téléchargés une fois depuis Hugging Face, puis restent en cache.
  • {2}
    Interface web ou ligne de commandeGlisser-déposer ou coller une image ; le rapport se télécharge en un fichier HTML autonome. API documentée sur /api/docs.
  • {3}
    Évaluation sur vos donnéesAUC, précision au seuil 0,5, taux de détection à 5 % de faux positifs, détail par générateur.
# 1. installation
$ cp .env.example .env
$ make install

# 2. interface web sur http://127.0.0.1:8000
$ make serve

# 2 bis. ligne de commande
$ forensia analyze photo.jpg
$ forensia analyze dossier/ --html rapports/

# 3. mesurer la fiabilité (dossiers reel/ et ia/)
$ forensia evaluate mon_jeu/ --csv scores.csv
{07}Sources

Sources

  1. J. Park, A. Owens. Community Forensics: Using Thousands of Generators to Train Fake Image Detectors. CVPR 2025. arXiv:2411.04125 · poids et code sous licence MIT
  2. Banc d'essai de 16 détecteurs open source d'images générées, 12 jeux de données, 291 générateurs. 2026. arXiv:2602.07814
  3. R. Durall et al., 2020 ; J. Frank et al., 2020 ; R. Corvi et al., 2023. Artefacts spectraux des réseaux génératifs et des modèles de diffusion. Synthèse dans l'état de l'art du projet.
  4. D. S. Vahdati et al. Beyond Deepfake Images: Detecting AI-Generated Videos. CVPR Workshops 2024. arXiv:2404.15955
  5. Coalition for Content Provenance and Authenticity. C2PA, Content Credentials, bibliothèque c2pa-python.
  6. IPTC. Digital Source Type : trainedAlgorithmicMedia, compositeWithTrainedAlgorithmicMedia.

Citer ce travail

@software{forensia2026,
  title   = {Forensia : analyse forensique
             d'images générées par IA},
  author  = {{digitak}},
  year    = {2026},
  version = {0.1.0},
  note    = {Fusion de provenance C2PA,
             métadonnées, détecteur neuronal,
             spectre et compression}
}

La synthèse complète des travaux qui ont guidé ces choix figure dans docs/etat-de-l-art.md.