PRESENTATION ROC BLANC - SC: Comment savoir si une image a été créée avec une IA.

Comment savoir si une image a été créée avec une intelligence artificielle ?

Comment savoir si une image a été créée avec une intelligence artificielle? 

Il existe plusieurs façons de savoir si une image a été créée par une intelligence artificielle. Voici quelques astuces pour vous aider à vérifier si une image a été créée par une IA¹³ :

1. Bien analyser l'image : Dans certains cas, il est relativement facile de savoir si une image a été créée par une intelligence artificielle.

2. Identifier la source de l'image : Savoir qui a publié une photo et sur quel site peut certainement aider à identifier une fausse image.

3. Recherche d'image inversée : Une autre méthode simple consiste à utiliser la recherche inversée sur l'image.

4. Scruter les détails : Les images générées par IA ont souvent des détails qui ne sont pas tout à fait corrects.

5. Observer l'arrière-plan : Les images générées par IA ont souvent des arrière-plans qui ne sont pas tout à fait corrects.

J'espère que cela vous aidera ! N'hésitez pas à me poser d'autres questions si vous en avez besoin. Voici des outils (peut nombreux).

En résumé 

Il peut être difficile de vérifier si une image a été créée par une intelligence artificielle (IA), car certaines IA sont très performantes et peuvent générer des images qui ressemblent beaucoup à celles créées par des humains.

Cependant, il existe des outils qui peuvent aider à détecter si une image a été créée par une IA. L'un de ces outils est le "Reverse Image Search" de Google, qui peut parfois détecter des images générées par des IA en les comparant à des images similaires en ligne. Un autre outil est le "AI Image Recognition Tool" de Image Identify, qui utilise des algorithmes de reconnaissance d'image pour identifier les caractéristiques typiques des images générées par l'IA.

Cependant, il est important de noter que ces outils ne sont pas infaillibles et qu'il est possible qu'ils identifient incorrectement une image comme étant créée par une IA ou vice versa. La meilleure façon de vérifier si une image a été créée par une IA est de demander des informations sur l'origine de l'image à la personne qui l'a créée ou de faire des recherches approfondies sur l'image.

Which Face Is Real has been developed by Jevin West and Carl Bergstrom at the University of Washington as part of the Calling Bullshit project. 

All images are either computer-generated from thispersondoesnotexist.com using the StyleGAN software, or real photographs from the FFHQ dataset of Creative Commons and public domain images. License rights notwithstanding, we will gladly respect any requests to remove specific images; please send the URL of the results pages showing the image in question.

PLAY with Which Face Is Real?

De même que pour les analyses textuelles (faisant suite à l’émergence de ChatGPT),

Certaines solutions se mettent en place afin de détecter si une image a été produite par intelligence artificielle. À cette heure, toutes ne sont pas performantes : le GAN detector de Mayachitra Inc, entreprise initialement spécialisée dans la reconnaissance d’images par IA, a encore du chemin à faire pour être fiable. Mais ces outils gagneront à se perfectionner à force d’être entraînés. Par ailleurs, de nombreuses entreprises de renom, comme Microsoft ou Intel, travaillent depuis quelques années sur la reconnaissance des deepfakes, et leur expertise pourrait s’avérer utile dans le développement de nouveaux outils. De son côté, l’entreprise Hive AI propose aux entreprises une API visant à détecter et modérer les œuvres d’art générées par l’IA.

 

 Detect and Moderate AI-Generated Artwork Using Hive’s New API | Hive (thehive.ai)

https://thehive.ai/blog/detect-and-moderate-ai-generated-artwork-using-hives-new-classification-model

Des problèmes à l'avenir ?

Des experts en intelligence artificielle ont déclaré à la BBC que si les images truquées n'étaient "pas nouvelles", la rapidité des progrès dans ce domaine et le potentiel d'utilisation abusive étaient préoccupants."Le contenu synthétique évolue rapidement et la différence entre le contenu authentique et le faux contenu devient de plus en plus difficile à déchiffrer", explique Mounir Ibrahim de Truepic, une société d'analyse de contenu numérique.Les experts s'accordent à dire que la célébrité de Donald Trump rend les faux faciles à détecter. Mais les images de personnes inconnues pourraient rendre la tâche plus difficile, et la technologie ne cesse de s'améliorer.

DEMO by : AI models Demo | Hive (thehive.ai)

Detect and Moderate AI-Generated Artwork Using Hive’s New API | Hive (thehive.ai)

[2111.06575] Self-supervised GAN Detector (arxiv.org) 

AI models Demo | Hive (thehive.ai)

https://thehive.ai/demos?case_study=ai_generated_image_detection 

Detect AI generated images from popular tools like DALL-E, Midjourney, Stable Diffusion, and others.

------------------------------------------------------------------------------------

GitHub - NVlabs/ffhq-dataset: Flickr-Faces-HQ Dataset (FFHQ)

https://github.com/NVlabs/ffhq-dataset

Flickr-Faces-HQ (FFHQ) is a high-quality image dataset of human faces, originally created as a benchmark for generative adversarial networks (GAN):

A Style-Based Generator Architecture for Generative Adversarial Networks
Tero Karras (NVIDIA), Samuli Laine (NVIDIA), Timo Aila (NVIDIA)
https://arxiv.org/abs/1812.04948

The dataset consists of 70,000 high-quality PNG images at 1024×1024 resolution and contains considerable variation in terms of age, ethnicity and image background. It also has good coverage of accessories such as eyeglasses, sunglasses, hats, etc. The images were crawled from Flickr, thus inheriting all the biases of that website, and automatically aligned and cropped using dlib. Only images under permissive licenses were collected. Various automatic filters were used to prune the set, and finally Amazon Mechanical Turk was used to remove the occasional statues, paintings, or photos of photos.

Please note that this dataset is not intended for, and should not be used for, development or improvement of facial recognition technologies. For business inquiries, please visit our website and submit the form: NVIDIA Research Licensing.

-------------------------------------------------------

GitHub - NVlabs/stylegan: StyleGAN - Official TensorFlow Implementation

https://github.com/NVlabs/stylegan

This repository contains the official TensorFlow implementation of the following paper:

A Style-Based Generator Architecture for Generative Adversarial Networks
Tero Karras (NVIDIA), Samuli Laine (NVIDIA), Timo Aila (NVIDIA)
https://arxiv.org/abs/1812.04948

Abstract: We propose an alternative generator architecture for generative adversarial networks, borrowing from style transfer literature. The new architecture leads to an automatically learned, unsupervised separation of high-level attributes (e.g., pose and identity when trained on human faces) and stochastic variation in the generated images (e.g., freckles, hair), and it enables intuitive, scale-specific control of the synthesis. The new generator improves the state-of-the-art in terms of traditional distribution quality metrics, leads to demonstrably better interpolation properties, and also better disentangles the latent factors of variation. To quantify interpolation quality and disentanglement, we propose two new, automated methods that are applicable to any generator architecture. Finally, we introduce a new, highly varied and high-quality dataset of human faces.

For business inquiries, please visit our website and submit the form: NVIDIA Research Licensing

★★★ NEW: StyleGAN2-ADA-PyTorch is now available; see the full list of versions here ★★★

Resources

Material related to our paper is available via the following links:

• Paper: https://arxiv.org/abs/1812.04948
• Video: https://youtu.be/kSLJriaOumA
• Code: https://github.com/NVlabs/stylegan
• FFHQ: https://github.com/NVlabs/ffhq-dataset

Additional material can be found on Google Drive:

------------------------------------------------------------------

"Reverse Image Search" de Google.

La recherche d'images inversée de Google est un outil qui permet de rechercher des images similaires à une image donnée. Vous pouvez utiliser cette fonctionnalité en allant sur Google Images et en cliquant sur l'icône de l'appareil photo dans la barre de recherche. Vous pouvez ensuite télécharger une image ou coller l'URL d'une image pour trouver des images similaires ou des informations sur l'image. Vous pouvez également utiliser la recherche d'images inversée pour trouver la source d'une image ou pour vérifier si une image a été modifiée ou utilisée ailleurs sur le web².

Source : Conversation avec Bing, 18/04/2023(1) Search with an image on Google - Computer - Google Search Help. https://support.google.com/websearch/answer/1325808?hl=en&co=GENIE.Platform%3DDesktop

(2) Google Images. https://images.google.com/

(3) Google Advanced Image Search. https://www.google.com/advanced_image_search

--------------------------------------------------------------------------------------------

5 conseils pour détecter une image générée par l’IA (blogdumoderateur.com)

On vous explique comment repérer une image créée par une intelligence artificielle (francetvinfo.fr)

6 générateurs d'images par intelligence artificielle (blogdumoderateur.com)

Comment détecter un texte généré par une IA comme ChatGPT : outils et méthodes (blogdumoderateur.com)

Détecteur de contenu IA | Détecteur IA | Détecter GPT4 - Copyleaks

---