Des chercheurs de l'Université Washington à Saint-Louis, en collaboration avec le laboratoire national d'Oak Ridge, ont mis au point un nouveau modèle d'intelligence artificielle capable de détecter les images manipulées ou générées par IA avec une efficacité remarquable. Présenté lors de la conférence IEEE Computer Vision and Pattern Recognition, ce système baptisé SimLBR repose sur une approche innovante : il apprend à reconnaître les images authentiques plutôt que de chercher à identifier les caractéristiques des fausses images. Conçu par le doctorant Aayush Dhakal sous la direction du professeur Nathan Jacobs, SimLBR fonctionne dans un espace latent, c'est-à-dire un espace de données compressé. Le modèle projette les pixels de haute dimension en un vecteur de mille vingt-quatre dimensions via un modèle de base. Lors de l'entraînement, le système apprend à distinguer le réel du faux en introduisant de minuscules quantités de données simulées directement dans cet espace latent. Cette technique impose au réseau de définir une frontière décisionnelle très serrée autour des données réelles. Par conséquent, toute image s'écartant significativement de cette distribution normale est automatiquement classée comme artificielle. Cette méthode présente un avantage computationnel majeur. Alors que les détecteurs de pointe actuels nécessitent plusieurs heures d'entraînement sur huit cartes graphiques, SimLBR atteint sa pleine capacité en moins de trois minutes sur une seule carte graphique. Cette réduction drastique des ressources requises rend le processus considérablement plus accessible et économique. Comme le souligne Aayush Dhakal, se concentrer exclusivement sur la détection des faux place les chercheurs dans une position défensive face à l'évolution rapide des générateurs d'images. Dès qu'un nouveau modèle de création sort, les détecteurs traditionnels n'ont pas accès aux anciennes générations pour s'entraîner et peinent à classifier les nouvelles images en circulation. Pour mesurer la robustesse de leur approche, l'équipe a développé deux indicateurs : la fiabilité et la performance en pire des cas. Un score de fiabilité élevé garantit une grande précision et une faible incertitude, permettant au modèle de fonctionner avec confiance face à des générateurs inconnus. La performance en pire des cas anticipe le comportement du détecteur lorsqu'il rencontre un futur générateur différent de ceux de son entraînement. En se basant sur une déviation par rapport à la réalité plutôt que sur des artefacts spécifiques à une IA, le modèle reste efficacement généralisable. Les résultats, publiés en prépublication sur la plateforme arXiv, illustrent une tendance clé de la recherche actuelle : face à la sophistication croissante des images générées, souvent indétectables à l'œil nu, la validation par référence au réel s'avère être une stratégie plus durable et résiliente que la poursuite des artifices numériques.