← Le parcours CLR

Origines : trois architectures et une homographie

Couvre de la v1 à la v1.2 (printemps 2026), tiré de mes carnets de recherche originaux.

Je n’ai pas commencé par un détecteur. J’ai commencé par la photographie computationnelle classique : points clés SIFT, appariement FLANN, homographies RANSAC, la même chaîne d’outils que celle des pipelines d’appareils photo en production, et je l’ai pointée sur une nouvelle question : étant donné une image de base et un ensemble de recadrages ou de dérivés candidats, la géométrie projective peut-elle me dire quelles régions partagent une origine ?

Le carnet d’homographie de la v1 localise des régions de test par rapport à une image de base grâce aux décomptes d’inliers SIFT + FLANN. J’utilisais ici l’homographie comme un outil de localisation. La prise de conscience qui a recadré tout le projet : l’homographie elle-même, et non l’appariement, est l’opérateur discriminant. Déformez une région d’image puis redéformez-la, et ce qui survit vous dit comment elle a été formée.

Trois architectures en parallèle

Dans la v1, j’ai exploré simultanément trois architectures de détecteur, toutes entraînées sur des données synthétisées localement (réel = photos d’appareil ; généré = sorties de FLUX.1-schnell) :

  1. SAST, un Seam-Aware Spectral Transformer. Motivé par les générateurs de l’ère DiT/MMDiT : le débruitage fondé sur l’attention opère sur des tokens de patchs latents, et les jointures entre tokens traités indépendamment par l’attention doivent réconcilier localement ce qui a été calculé globalement. Le transformer modélisait si des tuiles voisines « parlent le même dialecte spectral » le long de leur frontière commune. Le cadrage, qui consiste à résoudre d’abord le cas difficile sur le plan architectural (DiT, flow matching) pour que UNet en découle comme cas particulier contraint, a survécu dans les notes de brevet même si l’architecture elle-même n’a pas été livrée.
  2. Un GAN pix2pix produisant une carte de chaleur dense des artefacts pour chaque image.
  3. XGBoost sur une poignée de métriques de sonde analytiques par tuile : résidu de déformation, périodicité spectrale, variance circulaire du gradient, et leurs compagnons.

Les cartes de chaleur par image du détecteur proche d’un GAN de la v1. Il fonctionnait sur le jeu de test, mais en tant que modèle dense appris, il résolvait un problème plus difficile que ce que les données pouvaient soutenir.

Les arbres ont gagné, et la raison comptait plus que le résultat : le signal réside dans la distribution des scalaires physiques par tuile, pas dans leur agencement spatial. Je demandais à un transformer d’apprendre le contexte positionnel à partir d’environ 70 images ; je demandais à XGBoost d’apprendre que les tuiles générées occupent une région différente d’un espace de sonde à faible dimension où les classes sont réellement séparées. Le problème le plus simple a la solution la plus directe.

Décomposition SHAP du modèle de sonde de la v1 : la corrélation des résidus entre régions domine déjà, le signal physique entre régions, deux versions avant que l’hypothèse formalise pourquoi.

La grille de tuiles

L’autre décision de la v1 qui est restée est le pavage à deux niveaux : de grands patchs pour l’agrégation, de petites tuiles pour la mesure, parcourus sur toute la grille de l’image.

Le résultat qui a révélé ce que la sonde mesure

Mon résultat le plus important de la v1 n’avait rien à voir avec réel contre IA. Quand j’ai passé la sonde sur des rendus de synthèse (CGI), les scores se situaient entre les deux classes :

text
Real photo   → low band      physical sensor: PRNU, shot noise, incoherent gradients
CGI render   → middle band   mathematical render: no sensor, but no attention coherence either
AI generated → high band     learned denoising: an unnaturally organized gradient field

Un rendu par path tracing n’a pas de capteur, ni PRNU, ni bruit de grenaille, mais son bruit d’échantillonnage de Monte Carlo est spatialement incohérent, indépendant pixel par pixel, structurellement plus proche du bruit de capteur que des artefacts de diffusion. La sonde ne détectait pas le « faux ». Elle mesurait la cohérence avec le modèle de formation d’une caméra : elle plaçait les images sur un spectre de plausibilité physique selon leur source : photographiée, rendue, ou débruitée jusqu’à l’existence. Trois sources, trois cadres de droits : le cadrage de provenance qui finirait par définir le produit.

v1.1–v1.2 : le problème du recadrage

Dans la v1.1, j’ai ajouté des caractéristiques de cohérence géométrique SIFT pour que les petits recadrages conservent une empreinte ; dans la v1.2, je suis revenu au témoin sans autre chose que la sonde pour mesurer honnêtement. Mes expériences de contournement par recadrage ont exposé un bug de ma part devenu une philosophie : l’extraction entre régions avait codé en dur une distance minimale entre paires de tuiles, de sorte que sur les petits recadrages aucune paire valide ne se formait et la caractéristique renvoyait silencieusement une valeur neutre. Le corriger a prouvé que le signal discriminant était la relation entre régions éloignées, et pointait directement vers l’hypothèse.