Comment ça marche : ce qu'un détecteur d'image IA analyse vraiment

1. DépôtVotre image est envoyé directement à TruthScan, jamais à nous.
2. AnalyseScore de probabilité IA et carte de chaleur des zones suspectes.
3. VerdictRésultat en quelques secondes, avec rapport détaillé.

1. Comment une image est générée : le débruitage

Les générateurs actuels (Midjourney, Flux, Stable Diffusion, Nano Banana, GPT Image, Sora pour la vidéo) sont pour l'essentiel des modèles de diffusion. Le principe : on apprend au modèle à retirer du bruit d'une image, puis on lui donne un bruit pur et on lui demande de le « débruiter » en plusieurs étapes, guidé par une description. À chaque étape, le modèle invente les détails les plus probables selon ce qu'il a appris. Le résultat est plausible, mais il n'a jamais été capté par un objectif : la lumière n'a traversé aucune lentille, aucun capteur n'a converti de photons. Cette différence d'origine est ce que les détecteurs exploitent.

2. Les traces que laisse la diffusion

• Le bruit : une photo réelle porte un bruit de capteur — dépendant de la sensibilité ISO, de la luminosité locale, du modèle d'appareil — puis le motif de compression JPEG en blocs de 8×8 pixels. Une image générée a un « bruit » synthétique, plus homogène d'une zone à l'autre, et sa compression a été appliquée après coup sur un signal déjà artificiel.
• Les fréquences spatiales : en décomposant l'image en fréquences (transformée de Fourier), les images générées montrent des régularités et des pics caractéristiques des couches de suréchantillonnage des réseaux de neurones, absents des photos.
• Les textures : peau, feuillage, tissu, cheveux ont sur une image générée une statistique locale trop régulière — même « grain » partout — là où une photo varie avec la mise au point, la distance et la lumière.
• La cohérence physique : reflets, ombres, perspective ; ces indices sont plus faibles pour les modèles récents mais restent utiles localement, en particulier sur les visages (reflets dans les deux yeux, symétrie des oreilles).

3. Le classifieur et la carte de chaleur

Un détecteur est un réseau de neurones entraîné à distinguer deux classes, « réel » et « généré », sur des millions d'exemples couvrant de nombreux générateurs, résolutions et compressions. Il produit une probabilité. Les meilleurs détecteurs travaillent par zones : ils découpent l'image, évaluent chaque zone, et affichent une carte de chaleur des régions les plus « synthétiques ». C'est ce qui permet de repérer une retouche locale sur une photo réelle — visage remplacé, objet ajouté, défaut effacé — là où un score global unique resterait ambigu.

4. Filigranes et métadonnées : une autre famille de preuves

Certains générateurs marquent leurs images. Google inscrit SynthID, un filigrane invisible dans les pixels, sur tout ce que produit Gemini ; OpenAI ajoute des métadonnées C2PA (Content Credentials) ; Midjourney des métadonnées IPTC. Ces marques sont fiables quand elles sont présentes, mais elles disparaissent à la capture d'écran ou au passage sur les réseaux sociaux (métadonnées), ou ne sont lisibles que par l'outil de l'éditeur (SynthID). Les modèles ouverts comme Flux n'en mettent pas. Un détecteur statistique est donc complémentaire : il fonctionne sur l'image elle-même, marques ou pas.

5. Pourquoi les détecteurs se trompent parfois

• Recompression : chaque partage (WhatsApp, Instagram, capture d'écran) ajoute une compression qui écrase une partie des traces. Le score devient moins tranché.
• Images mixtes : photo réelle avec un élément généré, ou image générée puis photographiée à l'écran. Le score global est intermédiaire ; seule la carte de chaleur aide.
• Nouveaux générateurs : un modèle sorti hier n'est pas encore dans les données d'entraînement ; les détecteurs maintenus sont réentraînés à chaque sortie, les autres décrochent.
• Images réelles atypiques : illustrations numériques, rendus 3D, photos très retouchées ou lissées peuvent déclencher un score élevé sans être générées par IA.

C'est pourquoi un score est un indice, à croiser avec la source de l'image, une recherche d'image inversée et vos propres observations. Nous ne reprenons sur ce site aucun taux de précision : ces chiffres dépendent du jeu de test et deviennent faux à chaque nouveau modèle.

6. Pourquoi TruthScan

Nous avons choisi TruthScan comme moteur d'analyse pour quatre raisons vérifiables : il fournit une carte de chaleur et pas seulement un score ; il couvre en un seul outil les images, les deepfakes, les vidéos, les voix et les documents (reçus, PDF) ; il accepte les formats issus des téléphones (HEIC, AVIF, WebP) ; et il propose un plan gratuit sans carte bancaire. Il est maintenu par une équipe qui publie la liste des générateurs couverts et la met à jour. Notre comparatif présente les alternatives et leurs cas d'usage. Ce site est rémunéré par affiliation : nous percevons une commission si vous souscrivez, sans surcoût pour vous, ce qui ne modifie ni le résultat de l'analyse ni nos explications.

7. Ce que fait — et ne fait pas — ce site

Ce site n'exécute aucune analyse : le scanner que vous voyez sur chaque page vous redirige vers l'analyseur TruthScan adapté au format, avec un identifiant de provenance. Votre fichier n'est jamais lu ni transmis par nos pages (le code le vide même avant la redirection). Nous rédigeons les guides, les fiches par générateur et par usage, et nous les datons.

Questions fréquentes

Comment un détecteur sait-il qu'une image est générée par IA ?

Il mesure des propriétés statistiques des pixels — bruit, fréquences spatiales, régularité des textures — que le processus de génération par diffusion laisse et qu'un capteur photo ne produit pas. Un réseau de neurones entraîné sur des millions d'images réelles et générées renvoie une probabilité et une carte des zones concernées.

Qu'est-ce qu'une carte de chaleur dans un détecteur d'image ?

Une visualisation des zones de l'image qui pèsent le plus dans le verdict. Elle permet de distinguer une image entièrement générée d'une photo réelle retouchée localement (visage remplacé, objet ajouté, défaut effacé).

Les filigranes comme SynthID suffisent-ils ?

Non : seuls certains générateurs en mettent (Google, OpenAI via C2PA), les métadonnées disparaissent au partage et les filigranes invisibles ne se lisent qu'avec l'outil de l'éditeur. L'analyse statistique fonctionne sur toute image, marques ou pas.

Pourquoi le score change-t-il selon la version de l'image ?

Chaque recompression (messagerie, réseau social, capture d'écran) écrase une partie des traces mesurées. Analysez toujours la version la plus proche de l'original.

Un détecteur peut-il se tromper sur une vraie photo ?

Oui, surtout sur les rendus 3D, les illustrations numériques, les photos très retouchées ou lissées. Le score est une probabilité, pas une preuve : croisez avec la source et vos observations.

Pourquoi ce site n'a-t-il pas son propre détecteur ?

Concevoir et maintenir un détecteur fiable exige une équipe dédiée et un réentraînement permanent face aux nouveaux générateurs. Nous préférons rediriger vers un outil maintenu (TruthScan) et consacrer notre travail aux explications et aux cas d'usage.