L’usage croissant des logiciels de retouche d’images, tels que Photoshop ou Meitu, remet en question l’authenticité des images numériques. Parallèlement, la diffusion massive des réseaux sociaux en ligne (OSNs) en fait les canaux dominants pour diffuser des images falsifiées, à des fins de propagation de fausses nouvelles, de rumeurs, etc. Malheureusement, les diverses opérations à perte adoptées par les OSNs — telles que la compression et le redimensionnement — posent de grandes difficultés à la mise en œuvre d’un détecteur robuste de falsifications d’images. Afin de lutter contre les falsifications partagées via les OSNs, nous proposons dans ce travail un nouveau schéma d’entraînement robuste. Nous menons d’abord une analyse approfondie du bruit introduit par les OSNs, que nous décomposons en deux composantes : un bruit prévisible et un bruit inédit, modélisés séparément. Le premier simule le bruit généré par les opérations connues (révélées) des OSNs, tandis que le second vise non seulement à compléter le premier, mais aussi à tenir compte des faiblesses intrinsèques du détecteur lui-même. Nous intégrons ensuite ce bruit modélisé dans un cadre d’entraînement robuste, ce qui améliore significativement la robustesse du détecteur de falsifications d’images. Des résultats expérimentaux étendus sont présentés afin de valider l’avantage du schéma proposé par rapport à plusieurs méthodes de pointe. Enfin, pour favoriser le développement futur de la détection de falsifications d’images, nous avons constitué un jeu de données public de falsifications à partir de quatre jeux de données existants et de trois OSNs parmi les plus populaires. Le détecteur conçu a récemment remporté la première place dans une compétition internationale de détection de faux documents officiels. Le code source et le jeu de données sont disponibles à l’adresse suivante : https://github.com/HighwayWu/ImageForensicsOSN.