L’échelle des caractéristiques : v1.3 → v1.8
Ma montée progressive de la base d’hypothèse jusqu’au moteur de déformation figé, tirée de mes carnets de recherche originaux.
Après la v1.3, j’ai travaillé de façon délibérément incrémentale : ajouter une famille de caractéristiques à la fois, mesurer le gain d’AUC, et noter pourquoi il avait bougé ; je rédigeais l’analyse fondamentale pour l’article autant que pour le modèle.
L’échelle
| version | ajouté | AUC par tuile |
|---|---|---|
| v1.3 | base d’hypothèse seule : fragility_rate + cross_residual_corr | 0.627 |
| v1.4 | + local_var (hétérogénéité spatiale du résidu), + cross_recovery_ratio_mean (symétrie de l’échec de reconstruction entre paires de tuiles géométriques) | 0.688 |
| v1.5 | se restreindre aux caractéristiques dont la direction d’hypothèse est confirmée | 0.754 |
| v1.6 | isolation du contenu par passe-haut (préparation des données, pas une caractéristique) | — |
| v1.7 | + 4 caractéristiques de jointure (résidu de frontière + discontinuité spectrale) | 0.761 |
| v1.8 | + circ_var_noise, composite_noise → les 10 canoniques | 0.775 |
v1.3 : deux caractéristiques fondées sur l’hypothèse, AUC 0,627. Faible, mais chaque point en est de la physique, et SHAP montre cross_residual_corr qui porte la charge.
L’espace de caractéristiques de la v1.5 qui a justifié la restriction : faible récupération + forte fragilité → réel ; forte récupération + faible fragilité → généré. La direction de l’hypothèse, visible comme une frontière linéaire en deux dimensions.
v1.6 : le pivot qui a rendu le signal honnête
Le résidu brut est contaminé : les tuiles très texturées produisent de grands résidus quelle que soit leur origine, de sorte que mon fragility_rate initial était en partie un détecteur de texture. Je l’ai corrigé dans la v1.6 par un seul changement de prétraitement : soustraire du résidu une copie basse fréquence (floutée) de lui-même, en ne laissant que la composante haute fréquence.
Le filtrage passe-haut retire la composante de contenu basse fréquence, en laissant le résidu dominé par le PRNU. Chaque caractéristique en aval est calculée sur ce résidu de bruit. Cela a compté surtout pour les textures complexes, tissus et motifs fins, où l’énergie du contenu noierait autrement le signal du bruit de capteur. C’est la plus nette amélioration unique que j’aie faite dans tout le projet.
Une note d’implémentation de la v1.7 que j’ai failli manquer : calculer la déformation de retour comme une inverse matricielle exacte plutôt que comme une transformation inverse ajustée indépendamment a coûté une once d’AUC (~0,0015) ; l’aller-retour par inverse exacte est marginalement moins discriminant que celui ajusté indépendamment. Les petites asymétries de la sonde sont de l’information.
Le moteur de la v1.8
La configuration figée tient en une douzaine de petites constantes (géométrie des tuiles, paire d’intensités différentielle, fenêtres de passe-haut et de jointure) que je garde ici pour moi. Mais la forme du résultat compte plus que les valeurs : mon ablation a confirmé qu’elles se trouvent sur un optimum plat (les tailles de tuile voisines et les largeurs de passe-haut voisines diffèrent de < 0,004 d’AUC ; j’ai testé une tuile beaucoup plus petite issue de mes premières notes de planification et je l’ai rejetée). L’intensité de déformation monte comme une paire différentielle, et les homographies par intensité restent aléatoires : la cohérence entre essais est exactement ce que fournit la moyenne, sans sacrifier l’isotropie.
Une tuile à travers la sonde : original → déformé → reconstruit → erreur par pixel ; en dessous, le résidu accumulé sur les essais, sa version passe-haut, le rapport de bruit structuré et la structure des contours du résidu. C’est toute l’hypothèse en une seule figure.
Les dix caractéristiques, dans l’espace
| # | caractéristique | lit |
|---|---|---|
| 1 | fragility_rate | ∂R/∂s : taux de destruction du PRNU |
| 2 | local_var | hétérogénéité spatiale de l’échec de reconstruction |
| 3 | circ_var_noise | incohérence du champ de gradient du résidu |
| 4 | composite_noise | magnitude × cohérence conjointes |
| 5 | cross_residual_corr | physique partagée entre tuiles en miroir diagonal |
| 6 | cross_recovery_ratio_mean | symétrie de l’échec de reconstruction |
| 7–8 | seam_h/v_disc | discontinuité du résidu à la frontière |
| 9–10 | seam_h/v_spectral | discontinuité spectrale à la frontière |
circ_var_noise a gagné sa place sur les cas les plus difficiles : les photos issues d’iPhone, même sous-échantillonnées (le JPEG compressé restait un problème connu). Et un XGBoost sur ces 10 scalaires par tuile :
Par tuile, le signal est délibérément faible (≈0,60 sur le corpus mis à l’échelle, plus difficile ; 0,775 sur le jeu de données de la v1.8) : une seule tuile est un murmure. circ_var_noise et local_var mènent le classement SHAP. L’agrégation est l’endroit où le murmure devient un verdict.
Agrégation : poids du centre et intuition du vote
Dans la v1.8, j’ai ajouté une pondération par texture, par centre et par confiance à l’agrégation au niveau de l’image sur la grille de tuiles. Le biais vers le centre encode quelque chose que je ne cessais de voir : les patchs qui contiennent le sujet ont une texture plus riche → un signal PRNU plus fort (réel) ou des artefacts de génération plus nets (généré) → des prédictions plus fiables. Les patchs de bord et d’arrière-plan au contenu lisse et uniforme sont des votants bruités qui diluent le signal.
Sur l’exécution d’environ 15 000 images :
real : maj = 87.1% wgt = 65.8%
generated : maj = 94.7% wgt = 96.1%
overall : maj = 90.9% wgt = 80.9%J’ai clos le chapitre dans la v1.8.2 par une sonde de scoreur analytique (sans modèle), confirmant que la déformation et les caractéristiques, et non les arbres, font le travail discriminant : un scoreur calibré à la main sur les mêmes 10 caractéristiques approche XGBoost, ce qui est exactement ce que je voulais voir vrai d’une affirmation de physique.
J’ai figé la v1.8 là. Tout ce qui suit se construit autour de ce moteur, pas à l’intérieur, à commencer par la fusion qui a brisé le plafond de la déformation.