Des chercheurs développent un outil de détection de deepfakes inspiré par la physique

La rédaction ·

Des chercheurs de l'université de Keele en Grande-Bretagne ont développé un modèle d'IA inspiré de la physique qui a atteint une grande précision lors de tests permettant de distinguer des images faciales authentiques d'images générées ou manipulées par l'IA. 

L'équipe de recherche, dirigée par Saman Maghsoudi, doctorant à l'École d'informatique et de mathématiques de Keele, a créé un outil qui analyse les informations de couleur et les modèles de luminosité d'une image pour aider à distinguer les images faciales authentiques de celles générées ou manipulées par l'IA. 

La création de photographies ou de vidéos synthétiques de visages, connues sous le nom de « deepfakes », est devenue encore plus facile à l'ère de l'IA générative, ce qui signifie que la capacité à repérer de manière fiable les images authentiques ou fausses devient de plus en plus importante pour la confiance, la sécurité et l'authenticité dans des domaines tels que les médias numériques et la lutte contre le vol d'identité. 

Le modèle proposé par l'équipe de recherche, notamment les docteurs Sangeeta Sangeeta et Nadia Kanwal, est connu sous le nom de FDIP-NET. Il combine les informations classiques d'une image couleur avec trois mesures supplémentaires, dérivées de la variation de luminosité au sein de l'image. Ces mesures, inspirées de concepts mathématiques de la dynamique des fluides, décrivent la structure locale de l'image sans modéliser le mouvement physique du fluide. 

Le modèle analyse les variations de couleur et spatiales de la luminosité de l'image, plutôt que de suivre les mouvements d'une personne ou leur évolution dans le temps. Il calibre également la fiabilité des prédictions et examine le lien entre les erreurs de détection et les propriétés de l'image, telles que le flou, la luminosité et le contraste. Les chercheurs l'ont évalué à l'aide des bases de données d'images faciales publiques DFRI, DF-wild et RFF-140K. 

Lors de leurs expériences, FDIP-NET a atteint des précisions moyennes de 98,654 %, 98,952 % et 99,669 % sur les bases de données DFRI, DF-wild et RFF-140K respectivement. Ces résultats correspondent à la moyenne de trois sessions d'entraînement, les modèles ayant été entraînés et testés séparément au sein de chaque base de données. Lors d'une évaluation supplémentaire utilisant les ensembles d'entraînement, de validation et de test officiels de FaceForensics++ c23, le modèle a atteint une précision moyenne de 91 % sur les images vidéo individuelles. 

Ces résultats soulignent le potentiel de la combinaison des caractéristiques classiques des images couleur avec les informations structurelles issues de la luminosité pour faciliter la détection des deepfakes. Les bénéfices varient selon les jeux de données et les méthodes d'évaluation, et des tests distincts ont montré que la détection fiable sur des jeux de données inconnus demeure un défi pour les recherches futures. L'étude a été publiée dans Frontiers in Imaging. 

Image RVB et cartes FDIP correspondantes (réponse de type divergence, magnitude du gradient interprétée comme une mesure de vitesse et réponse de type énergie cinétique) illustrant comment l'information structurelle est révélée au-delà de l'apparence RVB (image d'entrée originale adaptée avec l'autorisation du jeu de données Deepfake and Real Images (DFRI), Manjil Karki (2020), https://www.kaggle.com/datasets/manjilkarki/deepfake-and-real-images ). Crédit : Frontiers in Imaging (2026). DOI : 10.3389/fimag.2026.1935077

Saman Maghsoudi, auteur principal de l'étude, explique : « À mesure que les visages générés par l'IA deviennent plus convaincants, l'évaluation de l'authenticité des images revêt une importance croissante pour la confiance dans les médias numériques et la lutte contre l'usurpation d'identité et la désinformation. Nos résultats montrent comment les variations de luminosité au sein des images peuvent compléter les caractéristiques classiques de l'IA, tout en soulignant l'importance d'accorder autant d'attention à la fiabilité des prédictions et aux erreurs de détection qu'à la précision. Ceci jette les bases de recherches ultérieures visant à développer des détecteurs plus performants sur des images inconnues et dans des conditions réelles. »

https://www.keele.ac.uk/about/news/2026/november/physics-inspired/deepfake-detection-tool.php

https://dx.doi.org/10.3389/fimag.2026.1935077

Source : keele.ac.uk

Cet article vous a été utile ? Partagez-le.