Suppression des métadonnées de pixels IA : ce qu'elle fait et pourquoi les images IA restent détectables

Ce que sont les métadonnées de pixels IA — et les deux types que vous devez connaître

L'expression « métadonnées de pixels IA » est utilisée largement pour décrire deux choses fondamentalement différentes, et les confondre explique la plupart de la confusion autour des outils de suppression des métadonnées de pixels IA. Le premier type est les métadonnées au niveau des fichiers : les informations structurées stockées dans le conteneur de fichier aux côtés des données de pixels, y compris les champs EXIF (date de création, nom du logiciel, profil de couleur), les étiquettes IPTC, les annotations XMP, et — pour les images générées par IA des plateformes participantes — les identifiants de contenu C2PA. C2PA signifie Coalition for Content Provenance and Authenticity, une norme industrielle codéveloppée par Adobe, Microsoft, BBC et Intel, entre autres. Un identifiant C2PA est un certificat cryptographiquement signé intégré dans le fichier image qui enregistre l'assertion « cette image a été générée par IA », ainsi que le nom du modèle, la plateforme et l'horodatage. C'est là les métadonnées d'images IA que les outils de suppression standard éliminent, et tout outil de suppression des métadonnées de pixels IA sur le marché gère cette couche. Le deuxième type est les métadonnées au niveau des pixels — qui ne sont pas des métadonnées au sens de la structure de fichier, mais plutôt des motifs inhérents aux valeurs de pixels réelles produites par un modèle génératif. Chaque approche de génération d'images IA (GANs, modèles de diffusion, modèles autorégressifs) produit des images avec des propriétés statistiques caractéristiques qui diffèrent des photographies prises par un appareil photo. Ces propriétés sont codées dans les données de pixels elles-mêmes. Les filigranes invisibles comme SynthID de Google DeepMind vont plus loin : ils modifient délibérément des valeurs de pixels spécifiques lors de la génération pour encoder un signal détectable qui survit à la compression JPEG, au recadrage et à la conversion de format. Supprimer une étiquette C2PA ne fait rien à l'une ou l'autre de ces propriétés au niveau des pixels. C'est pourquoi la recherche d'une véritable « image IA indétectable » en utilisant un outil de suppression des métadonnées de pixels IA fait complètement passer à côté du problème le plus important — le conteneur de fichier est la partie facile.

1. Les métadonnées au niveau des fichiers (EXIF, IPTC, XMP) sont stockées dans le conteneur de fichier image et peuvent être lues ou supprimées avec des outils standard
2. Les identifiants de contenu C2PA sont un certificat de provenance IA cryptographiquement signé intégré dans les métadonnées de fichier — les supprimer est trivial avec n'importe quel éditeur EXIF
3. Les signatures au niveau des pixels proviennent des propriétés statistiques de la façon dont les modèles génératifs produisent des images — aucun outil d'édition de fichier ne peut modifier celles-ci
4. Les filigranes de pixels invisibles comme SynthID sont intégrés dans les valeurs de pixels réelles lors de la génération, spécifiquement conçus pour survivre à la conversion de format et à la compression
5. Ces deux catégories nécessitent des approches d'analyse et de suppression complètement différentes — la plupart des « supprimeurs de métadonnées IA » ne traitent que la première

Comment les plateformes IA intègrent les métadonnées d'images IA dans les images générées

Les pratiques des métadonnées d'images IA varient considérablement d'une plateforme à l'autre, et savoir quelles plateformes intègrent quoi vous aide à comprendre ce qu'un outil de suppression rencontre réellement. DALL-E 3 d'OpenAI intègre les identifiants de contenu C2PA par défaut dans chaque image générée, enregistrant une déclaration signée que l'image a été créée par un modèle IA. Adobe Firefly fait de même, et les images visualisées dans les logiciels compatibles affichent une petite icône « Identifiants de contenu » qui renvoie aux informations de provenance. Les deux plateformes se sont engagées dans l'Initiative d'authenticité du contenu, l'organisme industriel supervisant l'adoption de C2PA. Midjourney n'intègre pas systématiquement les métadonnées C2PA sur tous les formats de sortie et canaux de livraison, bien que ses pratiques aient évolué. Stable Diffusion et d'autres modèles de diffusion open-source génèrent des images sans métadonnées intégrées à moins que l'application d'hébergement (comme les interfaces DreamStudio ou Automatic1111) ne les ajoute — et la plupart ne le font pas. Les modèles Imagen de Google, disponibles via Vertex AI et les programmes de recherche Google DeepMind, implémentent le filigrane SynthID au niveau des pixels plutôt que via les métadonnées de fichier. SynthID est particulièrement remarquable car il fonctionne entièrement en dehors du conteneur de fichier : aucun éditeur EXIF, flux de capture d'écran ou convertisseur de format ne peut le supprimer, car il n'existe pas du tout dans la couche de métadonnées. Les plateformes de photos d'archives commerciales proposant des images générées par IA ont adopté des approches variées — certaines intègrent des divulgations de métadonnées, certaines s'appuient sur l'étiquetage au niveau de la plateforme, et certaines n'ajoutent aucune métadonnée persistante du tout. La conséquence pratique est que lorsque vous recevez une image générée par IA sans métadonnées visibles, vous ne pouvez pas en conclure qu'elle n'a jamais été générée par IA ; elle peut provenir d'une plateforme qui ne l'intègre jamais, ou les métadonnées peuvent avoir déjà été supprimées à un stade antérieur.

« Chaque image que nous générons portera des identifiants de contenu, donnant aux spectateurs plus de contexte sur ses origines. » — OpenAI, sur l'implémentation C2PA de DALL-E 3, 2023

Ce que font réellement les outils de suppression des métadonnées de pixels IA

Les outils commercialisés comme des suppresseurs de métadonnées IA ou des suppresseurs de métadonnées de pixels IA — qu'ils soient des applications autonomes, des outils basés sur navigateur ou des scripts — accomplissent presque universellement la même opération sous-jacente : ils suppriment ou remplacent le conteneur de métadonnées au niveau des fichiers. C'est fonctionnellement identique à ce que font les nettoyeurs de métadonnées axés sur la confidentialité lorsque vous voulez supprimer les coordonnées GPS d'une photo avant de la publier en ligne. L'encadrement spécifique à l'IA est une couche de marketing sur une capacité de manipulation de fichier générique. Les méthodes les plus courantes utilisées par ces outils incluent l'exécution d'images via ExifTool ou ImageMagick avec des drapeaux de suppression de métadonnées, la conversion entre formats d'image (PNG en JPEG ou vice versa) de manière à abandonner les métadonnées de la source, la réexportation via un éditeur d'images sans cocher « conserver les métadonnées », la capture d'écran de l'image et l'enregistrement de la capture d'écran en tant que nouveau fichier, et l'utilisation d'outils en ligne « supprimeur EXIF » qui sont simplement des suppresseurs de métadonnées simples avec une interface orientée vers l'IA. Chacune de ces approches supprime réellement les identifiants de contenu C2PA, les champs d'attribution IA EXIF et toute autre métadonnée d'image IA du conteneur de fichier. Les données de pixels elles-mêmes — chaque valeur de couleur réelle dans l'image — sont préservées essentiellement inchangées. La capture d'écran est parfois recommandée comme l'approche la plus approfondie car elle crée un fichier entièrement nouveau sans métadonnées héritées. Mais une capture d'écran capture chaque pixel de l'image d'origine et les reproduit fidèlement dans le nouveau fichier. Les motifs que les détecteurs d'images IA analysent ne sont pas dans la couche de métadonnées d'images IA ; ils sont dans ces valeurs de pixels. Une capture d'écran d'une image DALL-E contient toutes les propriétés visuelles de cette image DALL-E. Le nouveau fichier a des métadonnées différentes ; l'image est identique car elle est identique au niveau des pixels. L'application d'un outil de suppression des métadonnées de pixels IA à cette capture d'écran produit un résultat identique : les métadonnées de fichier sont propres, et le contenu de pixels est inchangé.

1. Les outils de suppression EXIF suppriment le conteneur de métadonnées de fichier sans changer une seule valeur de pixel dans l'image
2. La capture d'écran crée un nouveau fichier sans métadonnées héritées mais reproduit tout le contenu de pixels d'origine intact
3. La conversion de format (PNG en JPEG ou vice versa) abandonne les métadonnées source mais peut modifier les valeurs de pixels par compression — ce n'est pas la même chose que de supprimer les signatures IA
4. La réexportation depuis un logiciel d'édition d'images supprime les métadonnées d'origine mais préserve les données de pixels et peut ajouter de nouvelles métadonnées de logiciel d'édition
5. Les suppresseurs de métadonnées IA en ligne sont généralement des nettoyeurs EXIF standard commercialisés spécifiquement pour les personnes recherchant des outils de dissimulation d'images IA

Pourquoi la suppression des métadonnées IA ne crée pas une image IA indétectable

L'idée qu'une image IA sans métadonnées est une image IA indétectable repose sur une mauvaise compréhension de la façon dont la détection d'images IA fonctionne réellement. Les métadonnées d'images IA sont un signal secondaire pour les détecteurs — utile s'il est présent, mais jamais la base principale d'un système de détection bien conçu. Un détecteur qui s'appuie uniquement sur les métadonnées d'images IA est trivialement vaincu non seulement par les outils de suppression mais aussi par les plateformes qui n'intègrent jamais les métadonnées en premier lieu ; tout chercheur construisant un système sérieux entraîne sur le contenu visuel, pas sur les attributs de fichier. Les signaux de détection réels sont les propriétés des données de pixels. Les images générées par IA — en particulier celles des modèles de diffusion, qui dominent maintenant l'espace des images IA grand public — portent des caractéristiques visuelles cohérentes que les appareils photo ne produisent pas. Les textures dans les images IA ont tendance à être inhabituellement régulières sur l'ensemble de l'image : la peau dans les portraits a un aspect lisse d'une manière qui diffère de la peau photographique, qui montre une variation microscopique due aux pores, au chaume, à l'huile et à la diffusion de la lumière. Les arrière-plans dans les images IA s'estompent souvent en douceur picturale ou répètent des motifs structurels qui semblent cohérents au premier coup d'œil mais se dissolvent sous un examen attentif. L'éclairage dans les scènes générées par IA est généralement globalement cohérent d'une manière qui est rare en photographie réelle, où la lumière rebondissante, l'occlusion ambiante et les ombres partielles créent des incohérences subtiles. Les bords dans les images IA affichent fréquemment un profil de netteté caractéristique qui diffère à la fois des objectifs optiquement nets et optiquement mous de l'appareil photo. Aucune de ces propriétés n'a rien à voir avec le conteneur de métadonnées de fichier. Supprimer l'étiquette C2PA ou exécuter un outil de suppression des métadonnées de pixels IA contre une image DALL-E ne change pas ses textures, son modèle d'éclairage, son profil de bord ou aucune des autres propriétés visuelles que la détection au niveau des pixels mesure. Une image sans métadonnées d'images IA du tout — peut-être parce qu'elle provient d'un modèle open-source qui n'écrit jamais aucune — est toujours entièrement analysable et identifiable par des détecteurs qui fonctionnent à partir du contenu visuel. La recherche d'une « image IA indétectable » par suppression de métadonnées résout le mauvais problème avec les mauvais outils.

« Les métadonnées peuvent être falsifiées, supprimées ou jamais présentes en premier lieu — tout système de détection qui s'en appuie comme signal primaire n'est pas un détecteur sérieux. » — Chercheur en apprentissage automatique, 2024

Comment la détection d'images IA au niveau des pixels fonctionne réellement

Comprendre les méthodes au niveau des pixels que les détecteurs d'images IA utilisent rend les limitations de la suppression des métadonnées d'images IA concrètes plutôt qu'abstraites. Les systèmes de détection modernes combinent plusieurs approches d'analyse indépendantes, donc même si un signal est partiellement obscurci, les autres fournissent des preuves à l'appui. Les classificateurs de réseaux de neurones entraînés sur des ensembles de données équilibrées de photographies réelles et d'images générées par IA apprennent à distinguer les deux en identifiant des combinaisons de caractéristiques visuelles — aucune caractéristique unique n'est définitive, mais ensemble elles produisent une estimation de probabilité. L'analyse de texture examine comment le détail de surface est distribué et répété sur l'image. Les textures générées par IA montrent une sur-régularisation caractéristique : le modèle remplit les zones avec des détails plausibles, mais ce détail manque du caractère aléatoire microscopique chaotique des surfaces du monde réel. Une photographie de tissu montre une irrégularité au niveau des fils qu'aucun modèle de diffusion actuel ne reproduit de manière fiable. Il en va de même pour l'herbe, les cheveux, le sable et toute surface où le caractère aléatoire à l'échelle microscopique est une propriété naturelle. L'analyse du domaine fréquentiel convertit les données de pixels dans ses composants de fréquence et identifie les motifs qui sont caractéristiques d'architectures génératives spécifiques. Les modèles de diffusion produisent des artefacts haute fréquence caractéristiques lors du processus de débruitage qui apparaissent comme des motifs périodiques subtils dans la transformée de Fourier de l'image — des motifs qui persistent lors de la suppression des métadonnées d'images IA et la plupart des conversions de format car ils sont inhérents à la façon dont le modèle construit les valeurs de pixels. L'analyse de cohérence sémantique identifie les images où les régions locales sont individuellement plausibles mais globalement incohérentes : mains avec des arrangements de doigts anatomiquement impossibles, bijoux qui changent de conception entre le côté gauche et droit d'un portrait, arrière-plans qui contiennent des objets qui se fondent partiellement avec le sujet principal à leurs limites. Le problème de cohérence n'est pas détectable à partir des métadonnées d'images IA — il nécessite de lire le contenu réel de l'image. Les détecteurs spécifiques aux GAN examinent en outre les empreintes spectrales — les motifs périodiques dans l'espace des pixels qui résultent des couches de suréchantillonnage dans les architectures GAN. Ces empreintes digitales sont différentes pour différentes familles de GAN et peuvent parfois distinguer non seulement l'IA générée du réel, mais aussi quelle famille de modèles a produit l'image. Tous ces signaux sont présents indépendamment du fait que le fichier a des métadonnées d'images IA, aucune métadonnée d'images IA, ou des métadonnées qui ont été supprimées par un outil de suppression des métadonnées de pixels IA avant l'analyse.

1. Les classificateurs de réseaux de neurones entraînés sur les ensembles de données d'images réelles et IA identifient les combinaisons de caractéristiques visuelles qui indiquent l'origine IA — indépendamment de toute métadonnée
2. L'analyse de texture détecte la sur-régularisation du détail de surface : les textures IA manquent de caractère aléatoire microscopique des surfaces du monde réel photographiées par un appareil photo
3. L'analyse du domaine fréquentiel identifie les artefacts spectraux produits lors du débruitage du modèle de diffusion — ces motifs périodiques survivent à la suppression des métadonnées et la plupart des conversions de format
4. La vérification de la cohérence sémantique trouve les images où les régions locales sont plausibles mais la composition mondiale contient des relations anatomiquement ou physiquement impossibles
5. L'analyse des empreintes digitales GAN identifie les motifs spectraux périodiques uniques aux architectures GAN spécifiques, permettant parfois l'attribution à une famille de modèles spécifique

Ce qui survit à la capture d'écran et à la conversion de format

La capture d'écran et la conversion de format sont les deux techniques les plus souvent recommandées dans les discussions en ligne sur la création d'images IA indétectables. Tous deux méritent d'être examinés en détail car leur comportement réel diffère de ce que les partisans prétendent. Quand vous prenez une capture d'écran d'une image générée par IA, vous capturez une représentation fidèle en pixels de l'image telle que rendue sur votre écran. Chaque valeur de pixel de l'original est reproduite dans la capture d'écran (à l'exception de la mise à l'échelle de l'affichage et de la gestion du profil de couleur, qui introduisent des différences minimales sans importance pour la détection). La capture d'écran n'a aucune métadonnée héritée — elle porte uniquement les métadonnées de l'outil de capture d'écran, telles que le nom de l'application de capture et l'horodatage. Mais le contenu visuel est identique. Les détecteurs analysant la capture d'écran voient les mêmes propriétés de texture, caractéristiques du domaine fréquentiel et incohérences sémantiques qu'ils verraient dans l'original. Pour les filigranes de pixels SynthID, la recherche publiée de Google note explicitement que le filigrane est conçu pour survivre à la capture d'écran spécifiquement, et que la précision de détection reste élevée après plusieurs rounds de capture et de recapture d'écran. La conversion de format en JPEG introduit une compression avec perte, qui modifie les valeurs de pixels en supprimant les informations haute fréquence par la quantification de la transformée en cosinus discrète. En pratique, cela peut légèrement réduire la confiance de détection pour certains détecteurs plus anciens basés sur GAN qui s'appuient sur les empreintes spectrales granulaires — la compression JPEG perturbe un peu ces empreintes digitales. Cependant, la détection du modèle de diffusion moderne reste largement inaffectée car les signaux détectés fonctionnent à des échelles plus grossières que les artefacts de quantification JPEG. Les propriétés plus grossières de la régularité de texture, du modèle d'éclairage et de la cohérence sémantique ne sont pas supprimées par la compression. Les études sur la robustesse de la détection d'images IA ont constamment révélé que le réencodage JPEG agressif (paramètres de qualité inférieurs à 50 %) dégrade la précision de détection sur tous les types de modèles, mais à ces paramètres de qualité l'image elle-même se dégrade de manière visible d'une manière qui la rend inadéquate pour la plupart des objectifs.

Raisons légitimes de supprimer les métadonnées d'images IA

Chaque utilisation d'un outil de suppression des métadonnées de pixels IA n'implique pas l'intention de tromper. Plusieurs scénarios légitimes existent où la suppression des métadonnées d'images IA est une décision routière de gestion de contenu, et traiter toute suppression comme suspecte exagère le dossier. La protection de la vie privée est une raison légitime courante : certaines plateformes de génération d'images IA intègrent des informations sur les images de référence ou les invites dans les métadonnées d'images IA, et si vous avez utilisé une photographie personnelle comme entrée de référence, vous ne voudrez peut-être pas que cette connexion soit préservée dans le fichier distribué. La sensibilité commerciale en est une autre : les organisations utilisant des outils IA pour générer des images de concepts de produits ou des ressources de conception peuvent ne pas vouloir divulguer quelles plateformes elles utilisent dans les fichiers clients partagés — c'est une considération standard de sécurité opérationnelle, pas une dissimulation de l'origine IA qui affecterait les décisions du destinataire. Les objectifs de test et de recherche créent des besoins légitimes de suppression des métadonnées d'images IA : évaluer si les détecteurs d'images IA mesurent le contenu visuel ou les métadonnées nécessite de les alimenter avec des images dépourvues de métadonnées, et cette méthodologie est valide pour évaluer ce que font réellement les outils de détection. La compatibilité du système peut aussi motiver la suppression : certains systèmes d'archivage, de publication et de distribution gèrent les métadonnées d'images IA de manière incohérente, et commencer avec une ardoise métadonnée propre assure un comportement cohérent dans le flux de travail. Les flux de travail créatifs produisent également des cas légitimes : un artiste qui génère une image de base avec IA puis la transforme substantiellement par surpeinture manuelle peut raisonnablement supprimer les métadonnées de génération originales car l'œuvre finale est une composition dont les portions générées par IA ne sont pas décrites avec précision par les métadonnées de l'outil original. Ces cas d'utilisation partagent une caractéristique : la suppression n'est pas conçue pour changer la croyance d'un destinataire quant à savoir si l'image est générée par IA quand cette croyance est importante pour sa décision. La distinction entre la protection de la vie privée ou la pratique opérationnelle et la désinformation active dépend du contexte — principalement du fait que l'origine IA de l'image est un fait matériel dans la situation où l'image est utilisée.

1. Confidentialité : supprimer les données d'images de référence ou le texte d'invite intégrés dans les métadonnées avant de distribuer l'image générée
2. Confidentialité commerciale : supprimer les métadonnées d'identification d'outil des images de conception avant le partage externe quand le choix de plateforme est opérationnellement sensible
3. Recherche et évaluation : tester si un détecteur mesure le contenu visuel ou les métadonnées en fournissant des échantillons sans métadonnées
4. Compatibilité du système : assurer un état de métadonnées propre et cohérent lors de la distribution d'images via des pipelines d'archivage ou de publication avec une gestion des métadonnées variable
5. Standardisation opérationnelle : établir une norme maison pour les métadonnées d'images qui séparent les informations de l'outil de génération des métadonnées de distribution

Quand la suppression des métadonnées devient un problème de désinformation

Le contexte dans lequel une image générée par IA est utilisée détermine si la suppression de ses métadonnées est routière ou problématique. Quand l'origine IA d'une image est un fait matériel — ce qui signifie qu'un destinataire raisonnable prendrait une décision différente s'il savait que l'image a été générée par IA — alors supprimer les métadonnées spécifiquement pour masquer cette origine va de la gestion de contenu à la désinformation. Le journalisme et les médias documentaires représentent le cas le plus clair : utiliser une image générée par IA dépourvue de ses identifiants de contenu pour illustrer un article d'actualité, un message sur les réseaux sociaux ou un rapport comme s'il s'agissait d'une vraie photographie dénature la nature de la preuve. C'est vrai indépendamment de ce qu'aucun outil de détection trouve. La désinformation est dans l'intention et le contexte, pas dans le succès ou l'échec technique de la dissimulation. Les contextes académiques présentent le même problème : soumettre des images générées par IA dans des devoirs ou des articles de recherche qui nécessitent de la photographie ou des œuvres d'art originales, avec les métadonnées supprimées pour réduire le risque de détection, constitue une fraude académique selon la plupart des politiques institutionnelles indépendamment du fait que le détecteur signale l'image. Les contextes de désinformation sont largement documentés : les images IA de personnages publics, de scènes de catastrophe et d'événements politiques circulent après la suppression des métadonnées spécifiquement pour entraver l'attribution et la vérification des faits. Les conditions de service de la plateforme chez la plupart des services de génération d'images IA interdisent d'utiliser les sorties générées pour tromper les autres sur la nature du contenu, et la suppression des métadonnées à cette fin viole ces conditions indépendamment de toute exposition juridique. Pour quiconque évalue les images suspectes dans ces contextes — journalistes, éducateurs, équipes d'approbation de confiance et de sécurité des plateformes — l'absence de métadonnées n'est pas un bulletin de santé propre ; c'est une découverte neutre qui élimine un signal rapide tout en laissant l'analyse au niveau des pixels à faire encore.

Comment vérifier les images IA quand les métadonnées sont absentes ou supprimées

Pour quiconque a besoin de déterminer si une image est générée par IA — journalistes, éducateurs, modérateurs de contenu, chercheurs ou individus qui ont reçu une image et ne sont pas sûrs de son origine — le flux de travail approprié tient compte du fait que les métadonnées d'images IA peuvent ne jamais avoir été présentes ou peuvent avoir été supprimées par un outil de suppression des métadonnées de pixels IA à un moment antérieur. Commencez par les métadonnées d'images IA comme une vérification préliminaire rapide : si les identifiants de contenu C2PA sont présents et déclarent la génération IA, c'est une conclusion positive définitive. Utilisez un outil qui peut lire les données C2PA, pas seulement les EXIF basiques — la plupart des applications photo standard n'affichent pas les identifiants C2PA. Si aucune métadonnée d'images IA n'est présente, c'est une découverte neutre, pas négative. L'étape suivante est toujours une analyse au niveau des pixels. Téléchargez l'image dans un détecteur d'images IA qui fonctionne sur le contenu visuel plutôt que sur les attributs de fichier. La fonctionnalité de détection d'images IA de NotGPT analyse la structure de pixel des images téléchargées pour identifier les caractéristiques visuelles générées par IA, produisant un score de probabilité basé sur l'apparence réelle de l'image plutôt que sur ce que disent ses métadonnées d'images IA. C'est la vérification qui produit des résultats significatifs quand les métadonnées sont absentes ou supprimées. Pour les images où une détermination formelle importe, les résultats de références croisées provenant de plusieurs outils de détection et la documentation de la méthodologie — quels outils ont été utilisés, avec quels paramètres, avec quels résultats — est la pratique standard dans les flux de travail de vérification des faits professionnels. Un résultat de « probablement généré par IA » à partir de l'analyse au niveau des pixels sur une image sans métadonnées est significatif ; un résultat de « aucune métadonnée d'images IA trouvée » à partir d'une vérification basée uniquement sur les métadonnées ne l'est pas. Les deux types de vérifications répondent à des questions différentes, et la question au niveau des pixels est celle qui reste valide indépendamment du fait que quelqu'un ait utilisé un outil de suppression des métadonnées de pixels IA.

1. Vérifiez d'abord les métadonnées de fichier en utilisant un lecteur compatible C2PA — les identifiants de contenu présents déclarant la génération IA sont une conclusion rapide et définitive
2. Traitez les métadonnées absentes ou supprimées comme une découverte neutre, pas négative — les images sans métadonnées peuvent toujours être générées par IA
3. Exécutez la détection d'images IA au niveau des pixels indépendamment du statut des métadonnées — c'est l'analyse qui n'est pas affectée par les outils de suppression des métadonnées
4. Référencez les résultats de plusieurs outils de détection quand la détermination est importante, et documentez les noms et les versions des outils
5. Pour les litiges formels ou les décisions de publication, décrivez votre méthodologie de vérification explicitement — les lecteurs et les examinateurs peuvent évaluer le processus, pas seulement la conclusion