Un outil vous affiche « 97 % IA » sur une photo : faut-il le croire ? Plutôt que de recopier les promesses des éditeurs, nous avons fait le test le 22 octobre 2026 avec des images dont nous connaissons l'origine à coup sûr : 15 visuels générés par IA par nos soins et 15 vraies photos sous licence libre. Quatre détecteurs ouverts, cinq manipulations banales, des cartes de chaleur. Le résultat est plus nuancé, et plus inquiétant, que les pourcentages affichés.
À retenir
- Sur les images d'origine, le meilleur détecteur (haywoodsloan) repère 9 images IA sur 15 et accuse 2 vraies photos sur 15. Le plus ancien (umm-maybe) fait moins bien que le hasard.
- En combinant les quatre (verdict « IA » si au moins 3 sur 4 le disent), on ne trouve que 4 images IA sur 15, et 3 vraies photos sont quand même accusées.
- Cinq gestes ordinaires (recompression, réduction, recadrage, capture, réseau social) ont inversé 22 verdicts sur 600. Un simple enregistrement en JPEG qualité 70 a fait passer une image IA de 100 % à 1 %.
- Les cartes de chaleur ne donnent pas de règle lisible : quand le verdict bascule, la carte change parfois du tout au tout, parfois presque pas.
- Aucun de ces détecteurs ne lit les métadonnées : le marquage à la source (C2PA, IPTC, SynthID) reste la seule preuve solide.
Pourquoi tester les détecteurs avec nos propres images ?
Les tests de détecteurs publiés en ligne utilisent souvent des images dont l'origine est supposée. Nous avons un avantage : nous produisons chaque jour des visuels par IA, et nous savons exactement lesquels, avec quel générateur et quel prompt. La plupart portent d'ailleurs déjà la mention « générée par IA » dans leurs métadonnées (champ IPTC DigitalSourceType, valeur trainedAlgorithmicMedia).
Face à elles, 15 vraies photos prises avec un appareil photo ou un smartphone, publiées sur Wikimedia Commons sous licence libre, dans les mêmes familles de sujets. La question est simple : un détecteur sait-il faire la différence, et son verdict tient-il quand l'image vit sa vie normale sur le web ?
Notre protocole, étape par étape
Le corpus : 30 images d'origine connue
- 15 images IA de nos propres productions : 4 portraits, 5 visuels de mode, 3 scènes, 3 objets. Générateurs : Grok Imagine (xAI) pour les portraits et la mode, notre chaîne d'images (FLUX.1 schnell en premier choix) pour les scènes et objets.
- 15 vraies photos de Wikimedia Commons (licences CC BY, CC BY-SA ou CC0), mêmes familles : portraits, défilés et séances de mode, salle d'audience, studio d'enregistrement, lune, vinyle, marteau de juge, micro. Les auteurs et licences sont listés en fin d'article.
Voir les 5 prompts de génération
- ia-scene-1 (scène) :
Editorial documentary photograph, gritty, high contrast, cinematic night lighting, film grain, realistic. Strictly no people, no person, no face, no hands, no silhouette, no crowd, no logo, no brand, no text, no letters, no numbers. Scene: an empty concert stage with microphone stand in the center, red and orange spotlights, smoke, dark arena - ia-scene-2 (scène) :
Editorial documentary photograph, gritty, high contrast, cinematic night lighting, film grain, realistic. Strictly no people, no person, no face, no hands, no silhouette, no crowd, no logo, no brand, no text, no letters, no numbers. Scene: an empty American courtroom at night, wooden judge bench, empty chairs, cold blue window light, dust in the air - ia-scene-3 (scène) :
Editorial documentary photograph, gritty, high contrast, cinematic night lighting, film grain, realistic. Strictly no people, no person, no face, no hands, no silhouette, no crowd, no logo, no brand, no text, no letters, no numbers. Scene: a dark recording studio with a mixing console glowing, an empty vocal booth with a microphone behind glass, warm amber light - ia-objet-1 (objet) :
Editorial documentary photograph, gritty, high contrast, cinematic night lighting, film grain, realistic. Strictly no people, no person, no face, no hands, no silhouette, no crowd, no logo, no brand, no text, no letters, no numbers. Scene: a stack of vinyl records and a turntable under hard flash light on a black background, dust, high contrast - ia-objet-2 (objet) :
Editorial documentary photograph, gritty, high contrast, cinematic night lighting, film grain, realistic. Strictly no people, no person, no face, no hands, no silhouette, no crowd, no logo, no brand, no text, no letters, no numbers. Scene: a wooden judge gavel on a dark desk next to a closed legal file folder, dramatic side light, shallow depth of field
Les quatre détecteurs
Nous avons retenu quatre modèles ouverts publiés sur Hugging Face, exécutés sur notre propre serveur (processeur, sans carte graphique), avec leurs réglages d'origine :
- umm-maybe/AI-image-detector (Swin, 2022, licence CC BY 4.0) ;
- Organika/sdxl-detector (Swin affiné sur des images SDXL, licence CC BY-NC 3.0) ;
- haywoodsloan/ai-image-detector-deploy (SwinV2, mis à jour en août 2026, licence Apache 2.0) ;
- Ateeqq/ai-vs-human-image-detector (SigLIP 2, 2025, licence Apache 2.0) ;
Leurs fiches sont honnêtes sur leurs limites. Celle d'umm-maybe indique que le modèle date d'octobre 2022, qu'il n'a vu aucune image de Midjourney 5, SDXL ou DALL-E 3 et qu'il vise les images artistiques, pas les photos. Organika précise avoir affiné ce premier modèle sur des paires d'images Wikimedia et SDXL. Ateeqq annonce 99,2 % d'exactitude sur son jeu de test, tout en signalant que des utilisateurs ont rapporté du surapprentissage. haywoodsloan affiche 98 % d'exactitude en validation.
Nous n'avons pas testé les détecteurs commerciaux (Hive, Sightengine, AI or Not, Illuminarty) : nous n'avions pas d'accès à leurs API pour ce test, et nous ne publions aucun chiffre que nous n'avons pas mesuré.
Les cinq manipulations du quotidien
Chaque image a ensuite été déclinée en cinq versions, celles qu'une image subit naturellement en circulant. Aucune n'est conçue pour tromper un détecteur : elles sont appliquées à l'aveugle, de la même façon à toutes les images.
- Recompression JPEG qualité 70
- Réduction à 50 %
- Recadrage léger (5 % par bord)
- Capture d'écran simulée (80 %, PNG)
- Passage réseau social (1 080 px, JPEG 80)
Au total : 30 images × 6 versions × 4 détecteurs = 720 mesures. Un score de 50 % ou plus compte comme un verdict « IA ».
Résultat n°1 : sur les images d'origine, aucun détecteur n'est fiable seul
| Détecteur | Architecture | Images IA détectées | Vraies photos accusées (faux positifs) | Verdicts justes | AUC |
|---|---|---|---|---|---|
| umm-maybe | Swin, 2022 | 1 / 15 (7 %) | 2 / 15 (13 %) | 47 % | 0,45 |
| Organika SDXL | Swin affiné sur des images SDXL | 9 / 15 (60 %) | 5 / 15 (33 %) | 63 % | 0,68 |
| haywoodsloan | SwinV2, mis à jour en août 2026 | 9 / 15 (60 %) | 2 / 15 (13 %) | 73 % | 0,85 |
| Ateeqq (SigLIP) | SigLIP 2, 2025 | 13 / 15 (87 %) | 6 / 15 (40 %) | 73 % | 0,79 |
| Vote à 3 sur 4 | les quatre ensemble | 4 / 15 | 3 / 15 | 53 % | n.c. |
L'AUC mesure la capacité à classer une image IA au-dessus d'une vraie photo : 0,5 correspond au hasard, 1 à un tri parfait. haywoodsloan, le plus récent, est le meilleur (0,85). umm-maybe (0,45) fait même moins bien que le hasard sur des images de 2026, ce que sa fiche laissait prévoir.
Ateeqq repère le plus d'images IA (13 sur 15), mais il accuse aussi 6 vraies photos sur 15. Ses scores sont presque toujours à 0 % ou à 100 % : il affiche une certitude qu'il n'a pas. Un « 100 % IA » de sa part sur une vraie photo de défilé ou de pleine lune n'a rien d'exceptionnel dans notre test.
Les quatre détecteurs ne sont unanimes que sur 1 image IA sur 15 : une scène de concert vide, baignée de projecteurs rouges. À l'inverse, les vraies photos les plus accusées sont des portraits soignés : arrière-plan très flou, lumière travaillée, pose de séance photo. Autrement dit, une belle photo professionnelle « ressemble à de l'IA » pour ces modèles. Côté images IA, les 6 que haywoodsloan laisse passer sont toutes des photos de mode prises « en studio » sur fond uni coloré, un style proche de la photo de catalogue.
Un détecteur qui se trompe sur une vraie photo sur trois ne peut pas servir de preuve. Au mieux, c'est un indice parmi d'autres.
Résultat n°2 : un enregistrement JPEG suffit à inverser un verdict
| Manipulation | umm-maybe | Organika SDXL | haywoodsloan | Ateeqq (SigLIP) | Total des verdicts inversés |
|---|---|---|---|---|---|
| Recompression JPEG qualité 70 | 2 / 30 (écart moyen 5,0 pts) | 2 / 30 (écart moyen 6,8 pts) | 2 / 30 (écart moyen 8,1 pts) | 0 / 30 (écart moyen 0,0 pts) | 6 / 120 |
| Réduction à 50 % | 0 / 30 (écart moyen 1,3 pts) | 1 / 30 (écart moyen 2,6 pts) | 0 / 30 (écart moyen 0,5 pts) | 0 / 30 (écart moyen 0,0 pts) | 1 / 120 |
| Recadrage léger (5 % par bord) | 3 / 30 (écart moyen 7,2 pts) | 2 / 30 (écart moyen 4,7 pts) | 0 / 30 (écart moyen 2,0 pts) | 1 / 30 (écart moyen 3,3 pts) | 6 / 120 |
| Capture d'écran simulée (80 %, PNG) | 1 / 30 (écart moyen 1,0 pts) | 1 / 30 (écart moyen 1,7 pts) | 0 / 30 (écart moyen 0,5 pts) | 0 / 30 (écart moyen 0,0 pts) | 2 / 120 |
| Passage réseau social (1 080 px, JPEG 80) | 2 / 30 (écart moyen 5,3 pts) | 2 / 30 (écart moyen 8,3 pts) | 3 / 30 (écart moyen 9,3 pts) | 0 / 30 (écart moyen 0,0 pts) | 7 / 120 |
Sur 600 verdicts rendus après manipulation, 22 ont changé de camp. Les plus perturbants : le passage par un réseau social (7 inversions), la recompression JPEG (6) et le recadrage léger (6). La simple réduction de taille et la capture d'écran ne changent presque rien (1 et 2 inversions) : ces modèles réduisent de toute façon chaque image à 224 ou 256 pixels de côté avant de l'analyser.
Les écarts individuels sont parfois spectaculaires. Avec Ateeqq (SigLIP), notre visuel IA de studio d'enregistrement passe de 100 % à 1 % de probabilité « IA » après la manipulation « recadrage léger (5 % par bord) ». Avec haywoodsloan, le meilleur du test, une vraie photo de mode accusée à 98 % est innocentée à 4 % une fois passée au format réseau social, et une image IA détectée à 100 % tombe à 1 % après un enregistrement en JPEG qualité 70.
Ateeqq est l'exception : ses scores ne bougent quasiment pas, sauf sur un recadrage. Mais cette stabilité ne vaut que si le verdict de départ est juste, ce qui n'est pas le cas pour 8 de nos 30 images.
Conséquence pratique : le score d'une image dépend autant de son parcours (compressions, recadrages, plateformes) que de son origine. Le même fichier peut être déclaré « IA » sur votre ordinateur et « humain » après un passage sur un réseau social, sans que personne n'ait cherché à tricher.
Résultat n°3 : ce que les cartes de chaleur montrent vraiment
Pour voir « où regarde » un détecteur, nous avons calculé des cartes Grad-CAM (méthode publiée par Selvaraju et ses coauteurs en 2016) avec haywoodsloan, sur deux images IA et deux vraies photos, et sur leurs cinq variantes. Le rouge indique les zones qui poussent le plus le modèle vers « IA ». Ces cartes ont servi uniquement à l'observation : aucune image n'a été modifiée à partir d'elles.
Sur ce studio d'enregistrement généré par IA, la carte de l'original a l'air parlante : elle s'allume sur la console de mixage et son nom de marque inventé, illisible, un défaut typique des images générées. Mais après une simple recompression JPEG, la carte n'a plus rien à voir avec l'originale (corrélation de -0,19), elle se concentre sur un coin sombre de l'image, et le score tombe de 100 % à 1 %. Même chose après le passage réseau social (9 %).
Sur cette vraie photo de mode accusée à 98 %, c'est l'inverse : les zones rouges, sur les mains et le tissu, restent globalement en place (corrélation de 0,83 après recompression JPEG) alors que le score passe à 9 %. Le modèle regarde au même endroit, mais n'y voit plus la même chose : ce qui fait basculer sa décision tient à de fines textures de pixels qu'aucune carte à cette échelle ne montre.
Piège de lecture : chaque carte est normalisée, sa zone la plus « chaude » est toujours rouge. Une image jugée à 0 % IA affiche donc elle aussi des taches rouges. Sans le score à côté, une carte de chaleur peut faire croire à un défaut qui n'existe pas.
La stabilité en chiffres
Corrélation entre la carte de l'original et celle de chaque variante (1 = carte identique, 0 = aucun rapport), avec le score obtenu :
| Image | Score original | Recompression JPEG qualité 70 | Réduction à 50 % | Recadrage léger | Capture d'écran simulée | Passage réseau social |
|---|---|---|---|---|---|---|
| Image IA : studio d'enregistrement | 100 % | carte -0,19 · score 1 % | carte 0,99 · score 99 % | carte 0,85 · score 100 % | carte 0,99 · score 100 % | carte 0,41 · score 9 % |
| Image IA : marteau de juge | 100 % | carte 0,86 · score 99 % | carte 0,99 · score 100 % | carte 0,86 · score 100 % | carte 0,99 · score 100 % | carte 0,93 · score 100 % |
| Vraie photo : portrait de mode | 98 % | carte 0,83 · score 9 % | carte 0,99 · score 97 % | carte 0,63 · score 87 % | carte 0,99 · score 97 % | carte 0,76 · score 4 % |
| Vraie photo : platine vinyle | 0 % | carte 0,86 · score 0 % | carte 0,98 · score 0 % | carte -0,00 · score 0 % | carte 0,99 · score 0 % | carte 0,77 · score 0 % |
Les cartes sont très stables après une réduction ou une capture d'écran (corrélation proche de 1), moyennement après recompression ou passage réseau social, et instables après un recadrage pourtant léger. Elles sont aussi très grossières : la dernière couche du modèle ne découpe l'image qu'en une grille de 8 × 8 cases. Elles aident à repérer un modèle qui se focalise sur un décor ou un graphisme plutôt que sur le sujet, mais elles ne prouvent rien.
Ce que les détecteurs ne voient pas du tout
Ces modèles ne lisent que les pixels, réduits à une vignette de 224 ou 256 pixels de côté. Les métadonnées leur échappent totalement : 9 de nos 15 images IA déclarent pourtant noir sur blanc leur origine dans le champ IPTC DigitalSourceType, une information qu'un simple lecteur de métadonnées affiche en une seconde.
C'est là que se trouve la vraie réponse : le marquage à la source. La norme C2PA attache à l'image un certificat signé qui retrace sa création et ses retouches ; le vocabulaire IPTC DigitalSourceType déclare une image comme générée par IA ; SynthID, de Google DeepMind, insère un filigrane invisible dans les pixels des images produites par les modèles de Google. En Europe, l'article 50 du règlement sur l’IA (AI Act) demande aux fournisseurs de systèmes génératifs de marquer leurs contenus dans un format lisible par machine, une obligation applicable depuis le 2 août 2026 (nous en parlions à propos du filigrane des textes de Claude).
Ces marquages ont leurs propres limites : des métadonnées peuvent être effacées par une plateforme, et des techniques pour tromper volontairement les détecteurs existent. Nous ne les avons pas testées et ne les détaillerons pas. L'enjeu n'est pas de deviner après coup, mais de déclarer dès la création.
Nos conseils pour utiliser un détecteur d'images IA
- Ne jamais conclure sur un seul score. Dans notre test, même le meilleur modèle accuse à tort une vraie photo sur sept environ.
- Tester le fichier le plus proche de l'original. Une capture ou une image récupérée sur un réseau social n'a plus le même score que le fichier source.
- Croiser plusieurs détecteurs, en sachant que le vote à plusieurs réduit les erreurs sans les supprimer.
- Lire d'abord les métadonnées et les identifiants de contenu (C2PA, IPTC) : quand ils existent, ils valent mieux que n'importe quel score.
- Remonter à la source : qui a publié l'image en premier, avec quel contexte, et existe-t-il d'autres prises de vue de la même scène ?
- Côté éditeur, déclarez vos images IA dans les métadonnées et dans la légende : c'est ce que nous faisons pour nos images IA, et ce test nous a montré qu'il nous restait des visuels à compléter.
Les limites de notre test
Ce test est un instantané honnête, pas une étude scientifique. Le corpus est petit (30 images), les images IA viennent de deux familles de générateurs seulement et partagent un style maison (fonds colorés, éclairage studio). Les vraies photos viennent toutes de Wikimedia Commons, déjà recompressées par la plateforme, et sont un peu plus grandes que nos visuels IA. Nous n'avons testé que des modèles ouverts, avec leurs réglages par défaut et un seuil fixe de 50 % ; les détecteurs commerciaux n'ont pas été évalués. Les cartes de chaleur ne concernent qu'un modèle et quatre images. Tous les fichiers de mesure sont conservés pour vérification.
Détail image par image (scores sur les originaux)
| Image | Famille | Origine | umm-maybe | Organika SDXL | haywoodsloan | Ateeqq (SigLIP) | Détecteurs qui disent « IA » |
|---|---|---|---|---|---|---|---|
| ia-mode-1 | Mode | IA | 33 % | 100 % | 100 % | 0 % | 2 / 4 |
| ia-mode-2 | Mode | IA | 4 % | 100 % | 100 % | 100 % | 3 / 4 |
| ia-mode-3 | Mode | IA | 12 % | 51 % | 99 % | 100 % | 3 / 4 |
| ia-mode-4 | Mode | IA | 16 % | 1 % | 2 % | 100 % | 1 / 4 |
| ia-mode-5 | Mode | IA | 43 % | 0 % | 2 % | 100 % | 1 / 4 |
| ia-objet-1 | Objet | IA | 44 % | 0 % | 99 % | 0 % | 1 / 4 |
| ia-objet-2 | Objet | IA | 5 % | 88 % | 100 % | 100 % | 3 / 4 |
| ia-objet-3 | Objet | IA | 3 % | 39 % | 100 % | 100 % | 2 / 4 |
| ia-portrait-1 | Portrait | IA | 45 % | 96 % | 5 % | 100 % | 2 / 4 |
| ia-portrait-2 | Portrait | IA | 13 % | 100 % | 0 % | 100 % | 2 / 4 |
| ia-portrait-3 | Portrait | IA | 13 % | 100 % | 5 % | 100 % | 2 / 4 |
| ia-portrait-4 | Portrait | IA | 33 % | 100 % | 7 % | 100 % | 2 / 4 |
| ia-scene-1 | Scène | IA | 75 % | 95 % | 100 % | 100 % | 4 / 4 |
| ia-scene-2 | Scène | IA | 14 % | 0 % | 100 % | 100 % | 2 / 4 |
| ia-scene-3 | Scène | IA | 5 % | 0 % | 100 % | 100 % | 2 / 4 |
| reel-mode-1 | Mode | Photo Lies Thru a Lens | 88 % | 99 % | 98 % | 0 % | 3 / 4 |
| reel-mode-2 | Mode | Photo John Oakley | 49 % | 0 % | 4 % | 100 % | 1 / 4 |
| reel-mode-3 | Mode | Photo Thehopemonger | 21 % | 0 % | 0 % | 100 % | 1 / 4 |
| reel-mode-4 | Mode | Photo Fuzheado | 26 % | 33 % | 0 % | 0 % | 0 / 4 |
| reel-mode-5 | Mode | Photo Matej Grochal | 14 % | 1 % | 0 % | 0 % | 0 / 4 |
| reel-objet-1 | Objet | Photo Sulamith Sallmann | 13 % | 99 % | 0 % | 0 % | 1 / 4 |
| reel-objet-2 | Objet | Photo Oregon Department of Transportation | 3 % | 0 % | 0 % | 100 % | 1 / 4 |
| reel-objet-3 | Objet | Photo Josephenus P. Riley | 1 % | 2 % | 0 % | 0 % | 0 / 4 |
| reel-portrait-1 | Portrait | Photo Wilfredor | 50 % | 98 % | 11 % | 100 % | 3 / 4 |
| reel-portrait-2 | Portrait | Photo Basile Morin | 23 % | 100 % | 11 % | 0 % | 1 / 4 |
| reel-portrait-3 | Portrait | Photo Matthew T Rader | 16 % | 100 % | 100 % | 100 % | 3 / 4 |
| reel-portrait-4 | Portrait | Photo Suyash Dwivedi | 14 % | 0 % | 0 % | 0 % | 0 / 4 |
| reel-scene-1 | Scène | Photo Daniel Case | 46 % | 0 % | 2 % | 0 % | 0 / 4 |
| reel-scene-2 | Scène | Photo Rebecca Wilson | 21 % | 0 % | 0 % | 0 % | 0 / 4 |
| reel-scene-3 | Scène | Photo John Robert McPherson | 1 % | 0 % | 0 % | 100 % | 1 / 4 |
Crédits des vraies photos
Les 15 photos réelles utilisées pour le test proviennent de Wikimedia Commons :
- reel-portrait-1 : Woman in a headwrap in Quebec City.jpg, par Wilfredor, CC0, via Wikimedia Commons.
- reel-portrait-2 : Portrait of a young woman wearing a gray balaclava.jpg, par Basile Morin, CC BY-SA 4.0, via Wikimedia Commons.
- reel-portrait-3 : Portrait of a young pretty woman.jpg, par Matthew T Rader, CC BY-SA 4.0, via Wikimedia Commons.
- reel-portrait-4 : Portrait of a Bhil community woman in traditional attire, Jhabua, Madhya Pradesh, India (2).jpg, par Suyash Dwivedi, CC BY-SA 4.0, via Wikimedia Commons.
- reel-mode-1 : Katie (5271627524).jpg, par Lies Thru a Lens, CC BY 2.0, via Wikimedia Commons.
- reel-mode-2 : Jessica Minh Anh at Runway on the Runway Fashion and Sustainability Show 2020.jpg, par John Oakley, CC BY-SA 4.0, via Wikimedia Commons.
- reel-mode-3 : Afri Art Fashion Show Model at the 2023 event.jpg, par Thehopemonger, CC BY-SA 4.0, via Wikimedia Commons.
- reel-mode-4 : Wikimania-2023-fashion-show-nanour-oby.jpg, par Fuzheado, CC BY-SA 4.0, via Wikimedia Commons.
- reel-mode-5 : Fashion Show at Den Brna 2022 194724.jpg, par Matej Grochal, CC BY-SA 4.0, via Wikimedia Commons.
- reel-scene-1 : Courtroom of the New York Court of Appeals.jpg, par Daniel Case, CC BY-SA 3.0, via Wikimedia Commons.
- reel-scene-2 : SSL SL9000J (72ch) @ The Cutting Room Recording Studios, NYC.jpg, par Rebecca Wilson, CC BY 2.0, via Wikimedia Commons.
- reel-scene-3 : Full moon rising over Shorncliffe Pier Shorncliffe Bramble Bay Queensland IMGP2988.jpg, par John Robert McPherson, CC BY-SA 4.0, via Wikimedia Commons.
- reel-objet-1 : Das Vinyl dreht sich.jpg, par Sulamith Sallmann, CC BY-SA 4.0, via Wikimedia Commons.
- reel-objet-2 : Gavel (8189587238).jpg, par Oregon Department of Transportation, CC BY 2.0, via Wikimedia Commons.
- reel-objet-3 : EMI RM-1B microphone (1930s), Abbey Road Studios.jpg, par Josephenus P. Riley, CC BY 2.0, via Wikimedia Commons.
Le lecteur se demande souvent
Comment prouver qu'une photo n'a pas été générée par IA ? Une photo d'auteur générée par IA est-elle interdite ? Comment savoir si mon site est impacté par les résumés IA dans Discover ?Questions fréquentes
Les détecteurs d'images IA sont-ils fiables ?
Une image compressée ou recadrée trompe-t-elle les détecteurs ?
Que montre la carte de chaleur d'un détecteur ?
Comment savoir à coup sûr si une image a été générée par IA ?
Avez-vous testé Hive, Sightengine ou AI or Not ?
Sources
- Étude de la rédaction catseyeweb.com, 22 octobre 2026 : 30 images, 4 détecteurs, 720 mesures
- Hugging Face : umm-maybe/AI-image-detector (fiche du modèle)
- Hugging Face : Organika/sdxl-detector (fiche du modèle)
- Hugging Face : haywoodsloan/ai-image-detector-deploy (fiche du modèle)
- Hugging Face : Ateeqq/ai-vs-human-image-detector (fiche du modèle)
- Selvaraju et al., Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization (arXiv)
- C2PA : Coalition for Content Provenance and Authenticity
- IPTC : vocabulaire Digital Source Type
- Google DeepMind : SynthID
- Règlement (UE) 2024/1689 sur l'intelligence artificielle, article 50 (EUR-Lex)
- Wikimedia Commons : 15 photos sous licence libre (auteurs et licences dans l'article)
Écrit sur le SEO technique, l'IA et Google Discover à partir de tests terrain. Créateur de l'outil d'audit Cat's Eye. @ChrisWaoo