ML adversarial
Le parcours CLR
D’une curiosité pour la déformation de perspective à une pile de provenance sur l’appareil : mon journal de recherche pour construire un détecteur d’images d’IA fondé d’abord sur la physique.
Tous les chiffres sont tirés de mes carnets de recherche originaux : j’ai mesuré chacun des nombres ici, et j’ai gardé les réfutations à côté des réussites. Le texte a été rédigé avec l’aide d’une IA à partir de ces carnets et registres, puis édité par moi.
CLR (« Computational Light Reconstruction ») a commencé par une question dont je n’arrivais pas à me détacher : si une photographie réelle est une trace de la physique, puis-je détecter l’absence de cette physique sans jamais regarder le contenu ? Ce billet retrace le parcours dans l’ordre : l’exploration initiale de trois architectures, l’hypothèse qui a recadré le problème, la montée de l’AUC caractéristique par caractéristique jusqu’à la v1.8, la fusion qui a brisé le plafond de la déformation, la sonde de la v2.0 qui a réfuté ma propre affirmation de généralisation, et la pile de spécialistes routés qui est livrée aujourd’hui sur l’appareil.
À essayer en direct : obscur.rao.nyc : la pile actuelle, sur vos propres images.
La détection est une moitié d’un effort plus large de responsabilité des médias synthétiques que je poursuis : la moitié prévention, un Candidate Likeness Registry que j’ai proposé, plaide pour arrêter les ressemblances trompeuses au moment de la génération, avant qu’elles atteignent un fil.
Ceci est un journal de recherche ouvert, pas une rétrospective. CLR est en cours : la dernière version ci-dessous est là où en est le travail aujourd’hui, pas là où il s’arrête, et rien ici n’est encore passé par un véritable déploiement ; la démo ci-dessus est ce qui s’en approche le plus. J’ai construit tout le processus de recherche de manière indépendante : le corpus, le magasin de caractéristiques, le volant de réentraînement, la batterie qui conditionne chaque promotion. Cette indépendance est ce qui a rendu le parcours si agréable jusqu’ici. Une réfutation peut réorganiser toute la feuille de route en un après-midi, ce qui est exactement ce qui s’est passé au chapitre 5, sans que rien me pousse à l’enterrer ; les chapitres qui suivent gardent donc chacune de ces réfutations en vue.
Chaque chapitre est une page autonome. Lisez dans l’ordre, ou sautez à un point critique depuis le sommaire ci-dessous.
Le parcours en un coup d’œil
v1 3 architectures in parallel (transformer / GAN / trees) — trees win on probe scalars
v1.3 hypothesis-grounded features only ...................... AUC 0.627
v1.4–1.5 + residual-heterogeneity and cross-recovery features ... AUC 0.754
v1.6 high-pass content isolation (the pivot)
v1.7 + seam features ....................................... AUC 0.761
v1.8 the 10-feature descriptor FROZEN ...................... AUC 0.775 (tile), ~0.73 (image)
v1.9 warp ⊕ DINOv2 ⊕ capture signature ..................... image AUC 0.897
v2.0 cross-source probe: warp/dino/capture ALL sign-invert
on unseen 2025 generators — generalization = data coverage
v2.3 JPEG container provenance signs raw captures at 0.998
v2.4 shipped regime: hardened warp + fusion (AUC 0.922), full Swift parity
v2.5+ flywheel (scrape → features → warm-start retrain → battery → promote),
specialist priors, domain heads, x-domain gate
v2.6–2.7 directional signatures · WarpGAN distillation (student beats teacher)
next proper deployment — the chapter that isn't written yetComment lire ceci
- Le résidu d’aller-retour de déformation est la colonne vertébrale de tout : déformer une tuile de 32 px avec une petite homographie aléatoire, la redéformer en sens inverse, et mesurer ce que le double rééchantillonnage a détruit. Le bruit réel du capteur est fragile ; la texture synthétique ne l’est pas. Le chapitre 2 le précise.
- Les chiffres sont rapportés au niveau où ils ont été mesurés : l’AUC par tuile (faible par conception), l’AUC par image (l’agrégation récupère du signal), et les résultats de la batterie de test en réserve (ce qui conditionne réellement une livraison).
- Les résultats négatifs sont ici des citoyens de plein droit. Le correctif du contournement par recadrage, les caractéristiques de jointure qui meurent, le tableau d’inversion de la v2.0 et la réfutation de la route d’anomalie ont chacun changé l’architecture davantage que la plupart de mes réussites.
Sommaire