Détecter un deepfake ou une image générée par IA

Les images générées par IA sont devenues suffisamment convaincantes pour tromper régulièrement des journalistes, des modérateurs, et des utilisateurs ordinaires. Ce n'est pas une raison de ne plus faire confiance à aucune image — c'est une raison de développer quelques réflexes de vérification que tout le monde peut avoir.

Ce qu'on appelle "deepfake" et image générée par IA

Le deepfake désigne spécifiquement une vidéo ou une image dans laquelle le visage d'une personne a été remplacé par celui d'une autre via des techniques d'apprentissage automatique. La personne semble dire ou faire quelque chose qu'elle n'a jamais dit ni fait. Les deepfakes sont utilisés pour créer de la désinformation, des contenus non consentis, ou de la satire.

L'image générée par IA est créée entièrement par un modèle génératif (Midjourney, DALL-E, Stable Diffusion, Adobe Firefly…) sans point de départ photographique. Elle peut représenter des personnes, des lieux, ou des situations qui n'existent pas.

Les deux posent des problèmes similaires — comment distinguer le vrai du faux — avec des méthodes de détection légèrement différentes.

Les signes visuels à chercher (qui deviennent de moins en moins fiables)

Les générateurs d'IA de 2024-2025 sont significativement meilleurs que ceux de 2022. Beaucoup de "règles de détection" qui circulaient il y a 2 ans sont déjà obsolètes. Cela dit, des indices subsistent.

Les mains et les doigts C'est historiquement la faiblesse des générateurs d'IA — trop de doigts, doigts fusionnés, articulations incorrectes. Les modèles récents ont beaucoup progressé sur ce point, mais c'est encore parfois visible sur les images générées à la va-vite.

Les arrière-plans Sur les deepfakes vidéo, le contour du visage et les cheveux peuvent présenter des artefacts visuels — flou anormal, pixels incorrects, transitions trop lisses. Sur les images fixes, les arrière-plans très chargés révèlent parfois des incohérences (texte illisible, objets déformés, architecture impossible).

Le texte dans l'image Les générateurs d'IA ont longtemps eu du mal avec le texte — lettres mélangées, mots inventés, polices incohérentes. Là encore, les modèles récents progressent, mais le texte dans une image reste un bon endroit où chercher des anomalies.

La cohérence de la lumière et des ombres Dans les images composites (deepfakes), la lumière du visage rajouté ne correspond pas toujours à celle de la scène originale. Les ombres sont parfois dans des directions incohérentes.

Les outils de détection automatique

Google Lens et la recherche d'image inversée Pour vérifier si une image existe ailleurs sur internet avec un contexte différent : faites un clic droit sur l'image → "Rechercher cette image" (Chrome) ou uploadez-la sur images.google.com. Si l'image apparaît dans un contexte complètement différent de celui où vous l'avez trouvée, c'est un signal d'alarme.

TinEye (tineye.com) Spécialisé dans la recherche d'image inversée, avec une base de données importante et des filtres par date. Utile pour vérifier si une photo "d'actualité" est en réalité ancienne et réutilisée.

Hive Moderation (hivemoderation.com/deepfake-detection) Outil de détection de deepfakes accessible en ligne, gratuit pour un usage basique. Il analyse une image ou une vidéo et donne un score de probabilité de manipulation. Les résultats sont indicatifs, pas définitifs.

FakeCatcher (Intel) Technologie de détection de deepfakes développée par Intel, qui analyse les flux sanguins imperceptibles dans les images vidéo — les deepfakes ne reproduisent pas ces micro-variations physiologiques. Pas encore accessible au grand public directement, mais intégré dans certains outils professionnels.

Content Credentials (C2PA) De plus en plus d'appareils photos et d'outils créatifs (Adobe, Nikon, Sony, Canon…) intègrent des métadonnées cryptographiques qui certifient l'origine d'une image — prise par un appareil réel, à une date et un lieu précis. Ces métadonnées, vérifiables via contentcredentials.org, permettent de distinguer une photo authentique d'une image générée. C'est la solution de long terme — mais elle ne fonctionne que pour les contenus produits avec des outils compatibles.

Le réflexe le plus utile : vérifier la source avant le contenu

La meilleure détection n'est pas technique — c'est éditoriale. Avant de vous demander si une image est un deepfake, demandez-vous :

• D'où vient cette image ? Qui la publie ?
• Est-ce que des sources fiables relaient cette information ?
• L'image est-elle cohérente avec ce que je sais du contexte ?
• Est-ce que cette image me semble trop parfaite, trop choquante, ou trop bien cadrée pour être vraie ?

Un deepfake de haute qualité peut tromper des outils de détection. Il trompe moins facilement quelqu'un qui s'interroge sur la source et le contexte avant de partager.

À retenir
– Indices visuels : mains, texte dans l'image, incohérences d'arrière-plan — de moins en moins fiables avec les modèles récents
– Recherche d'image inversée : Google Lens ou TinEye pour vérifier si l'image existe ailleurs avec un contexte différent
– Content Credentials : la solution de long terme pour certifier l'authenticité des photos
– Le meilleur réflexe : vérifier la source avant le contenu — un deepfake parfait trompe les outils, pas toujours le contexte

Note finale : la détection de deepfakes est une course-poursuite entre les créateurs et les détecteurs — et les créateurs ont souvent une longueur d'avance. Ce qui reste stable, c'est que les images fabriquées circulent pour une raison, et que cette raison mérite d'être examinée indépendamment de la technique utilisée pour les créer.