Vérité Visuelle : Avancer la Détection d'Images Générées par IA avec des Réseaux de Neurones Convolutifs

Les avancées rapides des modèles de génération d'images, en particulier les modèles de génération d'images basés sur des invites, ont ouvert un nouveau chapitre dans notre compréhension de l'information visuelle, brouillant les frontières entre ce qui est réel et ce qui est synthétique. De plus, la propagation d'images générées par IA dans divers secteurs, associée à l'accessibilité croissante des modèles génératifs, soulève des inquiétudes concernant la désinformation et les implications éthiques. Cette étude se penche sur le besoin critique d'un modèle de classification d'images robuste pour différencier les images réelles des images générées par IA. En utilisant le jeu de données CIFAKE, une collection complète d'images générées par IA et d'images réelles, et en employant l'apprentissage par transfert avec diverses architectures de réseaux de neurones convolutifs (CNN), cette étude vise à faire progresser la détection d'images générées par IA à de nouveaux sommets. L'entraînement des modèles a été réalisé en deux phases ; l'une impliquait l'utilisation de poids pré-entraînés et le gel des couches du modèle de base, tandis que l'autre concernait le réglage fin du modèle de base. Le modèle le plus optimal avec EfficientNet comme modèle de base a atteint une précision de validation de 97,29 %. Dans un monde où l'authenticité du contenu visuel est de plus en plus vitale, cette étude offre des perspectives pour des applications s'étendant à la modération de contenu, la cybersécurité et la criminalistique numérique.