Jak Wykryć Zdjęcie Wygenerowane przez AI – Przewodnik

Jak wykryć zdjęcie wygenerowane przez AI? Detektor obrazów roboczych wykonuje jedną rzecz: ogląda plik i zwraca wynik w skali prawdopodobieństwa. To, czego ci nie powie, to który generator utworzył obraz, jak był edytowany, czy dokładność 97 proc. na stronie głównej, którą widzisz. Różnica między cyfrą ze składu a wydajnością w praktyce ma znaczenie – szczególnie jeśli tworzysz świąteczne kartki z AI.

Oto co pokazują badania.

Jak działa detektor obrazów wygenerowanych przez AI?

Najczęstsze podejście to klasyfikator neuronowy trenowany na parach rzeczywistych fotografii i obrazów wygenerowanych przez AI. Model uczy się rozpoznawać wzorce statystyczne, które różnią obie populacje: artefakty w dziedzinie częstotliwości z harmonogramu szumu modeli dyfuzyjnych, niespójności w renderowaniu krawędzi u włosów i materiałów, nadmierne powtarzanie się wytrenowanych tekstur w tle.

Drugą warstwą jest analiza metadanych. Rzeczywiste zdjęcia zawierają dane EXIF – model aparatu, parametry obiektywu, czasem współrzędne GPS. Obrazy generowane przez AI typowo tego nie zawierają, albo dane są minimalne. Niektóre detektory ważą ten sygnał intensywnie. Badanie opublikowane przez WebsitePlanet wykazało, że narzędzia osiągają średnio około 4 proc. lepszą wydajność, gdy metadane są obecne: 87 proc. dokładności z metadanymi w porównaniu z 83 proc. bez nich. Ta różnica 4 proc. jest na tyle rzeczywista, że warto o niej wiedzieć, ale nie na tyle duża, aby traktować metadane jako podstawowy filtr.

Trzecie podejście – i to będzie miało znaczenie w ciągu następnych dwóch lat – to weryfikacja pochodzenia. To całkowicie inna kategoria. Zamiast skanować piksele i wnioskować o pochodzeniu, narzędzia weryfikujące pochodzenie sprawdzają, czy obraz zawiera podpisany łańcuch poświadczeń: manifest C2PA lub znak wodny SynthID wbudowany w momencie generowania. Te nie ulegają degradacji w taki sposób jak klasyfikatory pikselowe, gdy nowy generator trafi na rynek.

Problem 83 proc.: dlaczego liczba ze składu nie to to, co dostajesz w praktyce

Badanie WebsitePlanet testowało siedem narzędzi na 73 obrazach podzielonych na sześć kategorii z siedmiu różnych generatorów. Średnia dokładność bez metadanych: 83 proc. To jest uczciwa liczba ze świata rzeczywistego.

Gdzie się rozkłada, to pouczające. Obrazy fantasy i mitologiczne osiągnęły 100 proc. średniej dokładności – są na tyle stylizowane, że pochodzenie AI jest wizualnie oczywiste. Obrazy społeczne i lifestylowe osiągnęły 61 proc. – bo dobrze skomponowany obraz AI dwóch ludzi przy stole wygląda bardzo podobnie, na poziomie pikseli, do zdjęcia smartfonem tej samej sceny.

Do projektowania świątecznych kartek ta kategoryzacja ma znaczenie. Portret rodzinny renderowany w akwareli przed kominkiem definitywnie należy do kategorii społecznej, nie fantasy. Średnia ogólna 83 proc. przesadza dokładność, którą faktycznie byś otrzymał na tym konkretnym typie wyjścia.

Ustalenie z arXiv eksplicytnie pokazuje sufit wydajności: ResNet-50 osiągnął 99 proc. dokładności, gdy był trenowany i testowany na tym samym generatorze, ale tylko 58,6 proc., gdy testowano go na siedmiu różnych generatorach, których nie widział podczas treningu. Co oznacza: jeśli detektor był trenowany zanim twój generator pojawił się na rynku, będzie osiągać wydajność poniżej swojej deklarowanej dokładności na twoich obrazach. To konsekwencja architektoniczna tego, jak działają klasyfikatory, nie wada produktu.

Warto unikać: narzędzi, które zwracają procent pewności bez informacji o tym, które generatory były użyte do treningu, bez zakresu pewności i bez wskazówek co robić z wynikiem. Wynik 74 proc. prawdopodobieństwa AI z narzędzia, które nie może ci powiedzieć, do czego ten numer został skalibrowany, to nie informacja. To numer przedstawiony jako informacja.

Siedem generatorów, jeden detektor: dlaczego dane treningowe ograniczają każde narzędzie

Oto rzecz o detektorze trenowanym głównie na wyjściach Midjourney v5: nauczył się, jak wygląda Midjourney v5. Może mieć ograniczoną ekspozycję na Flux 1.1, Imagen 3, czy do niezależnie od tego, jakim modelem uruchamiasz przepływ pracy generowania kartek. Wyzwanie NTIRE 2026, które odbyło się obok CVPR w tym roku, zostało zaprojektowane właśnie do oceny detektorów na obrazach z generatorów, które modele mogły nie widzieć podczas treningu. Wyzwanie nie znalazło uniwersalnego zwycięzcy. Każdy zespół, który zajął pierwsze miejsce w jednym zbiorze testów, upadł na innym.

Hive Moderation jest najczęściej cytowany dla szerokiego pokrycia – 96 do 98 proc. na obecnych głównych generatorach, w tym Midjourney, DALL-E, Stable Diffusion, Flux i Imagen 3. To pokrycie wiąże się z rzeczywistym kosztem: to produkt API, wyceniany za obraz, a nie darmowe narzędzie internetowe. Jeśli uruchamiasz moderację treści na skalę, koszt za obraz jest trywialny. Jeśli jesteś projektantem kartek sprawdzającym dziesięć plików przed wysłaniem ich klientowi, narzut nie jest tego wart.

SightEngine osiągnął 98 proc. w porównaniu WebsitePlanet i ma dobrze udokumentowany API z przejrzystymi progami pewności. Podobny poziom do Hive do profesjonalnego użytku.

Poświadczenia C2PA i SynthID: warstwa, która ma większe znaczenie niż jakiekolwiek skanowanie

Podejście do wykrywania poprzez skanowanie pikseli to fundamentalnie gra w pogon. Pojawia się nowy generator. Detektory nie mają danych treningowych na jego temat. Dokładność spada tymczasowo. Detektory przeszkolą się ponownie. Dokładność powraca. Generator się aktualizuje. Od nowa.

Podejście bazujące na pochodzeniu nie ma tego problemu, ponieważ nie próbuje wnioskować pochodzenia z pikseli. Sprawdza podpisany łańcuch nadzoru.

Poświadczenia treści C2PA działają tak: gdy obraz jest generowany lub edytowany za pomocą narzędzia obsługującego C2PA, aplikacja dołącza kryptograficznie podpisany manifest do pliku. Manifest zapisuje, które narzędzie zostało użyte, kiedy i przez kogo. Czytnik C2PA może zweryfikować łańcuch – lub dokładnie oznaczyć, gdzie się przerwa. Adobe Firefly obsługuje C2PA na każdym wyjściu. Canva wdrożyła to na treści generowane przez AI. Leica, Sony i Nikon zobowiązały się do osadzania poświadczeń C2PA w sprzęcie kamer, co oznacza, że autentyczne fotografie wkrótce będą nosić szlaki pochodzenia z ustawienia.

SynthID od Google działa inaczej: niewidoczny znak wodny osadzony w danych pikseli w momencie generowania. W przeciwieństwie do metadanych EXIF, jest odporny na ataki poprzez zrzuty ekranu i lekką edycję. Degraduje się przy silnej kompresji JPEG i znacznym przycięciu, ale przetrwa przetwarzanie w mediach społecznościowych, które całkowicie usuwa EXIF.

Możesz zweryfikować poświadczenia C2PA na contentcredentials.org – darmowe narzędzie przeglądarki, które odczytuje manifest dołączony do dowolnego pliku obrazu. Jeśli twój generator dołączył dane pochodzenia, pojawią się tam. Jeśli tego nie zrobił, brak poświadczeń jest sam w sobie informacyjny.

Dla każdego, kto sprzedaje komercyjnie karty maliniane sztuczną inteligencją – przez Etsy, przez usługę druku na żądanie, czy bezpośrednio – zrozumienie jakie dane pochodzenia twój generator dołącza do wyjścia, jest praktycznie użyteczne. Nie chodzi o utrudnianie swojej pracy do wykrycia. Chodzi o posiadanie udokumentowanego zapisu swojego procesu, co cię chroni na rynku, gdzie wymagania dotyczące ujawniania się zmieniają.

Dla projektantów świątecznych kartek: kiedy wykrywanie faktycznie wchodzi w twoją pracę

Zazwyczaj nie będziesz uruchamiać swoich projektów przez detektor obrazów wygenerowanych przez AI zanim zamówisz wydruki. To nie jest praktyczny przypadek użycia. Sytuacje, gdzie to ma znaczenie:

Przesyłasz pracę na platformę lub do wydawcy, który uruchamia screening treści AI. Usługi fotografii stockowej, biurka licencjonowania magazynów i niektórzy duzi detaliści druku na żądanie teraz wymagają ujawnienia lub mają polityki wokół nieujawnionych treści AI. Wiedza o tym, jak działają ich skannery, pomaga ci zgodnie się z nimi dokładnie, zamiast zgadywać.

Zaopatrujesz się w projekty od strony trzeciej i musisz zweryfikować pochodzenie. Ktoś sprzedający ręcznie malowane akwarelowe kartki świąteczne na rynku, który faktycznie przepuszcza generator przez filtr, to nie scenario teoretyczny. Narzędzia do wykrywania dają ci punkt wyjścia do należytej staranności przed zapłaceniem za wyłączne prawa.

Decydujesz, jak transparentny być z klientami. Kupujący do użytku korporacyjnego, który pyta, czy projekt karty jest generowany przez AI, zasługuje na dokładną odpowiedź. Zrozumienie tego, co narzędzia widzą w twoim konkretnym stylu – akwarela, pastel olejny, vintage pocztówka – daje ci słownictwo, aby odpowiedzieć precyzyjnie.

Trzy narzędzia warte poznania i co robić z wynikami

Hive Moderation: Konsekwentnie 96 do 98 proc. na obecnych głównych generatorach. Oparte na API, nie darmowe, przejrzyste w metodologii. Właściwe narzędzie jeśli przetwarzasz wolumen lub potrzebujesz obronnego zapisu zgodności. Ich dokumentacja precyzuje, które generatory są objęte – standardem bazowym, który większość narzędzi pomija.

SightEngine: 98 proc. w niezależnych testach, oparte na API, dobrze udokumentowane progi pewności. Porównywalne do Hive do użytku profesjonalnego, nieco bardziej dostępne do przypadków użytku z niższym wolumenem.

Czytnik C2PA na contentcredentials.org: Nie to pikselowy detektor – odczytuje metadane pochodzenia. Użyj go najpierw, zanim jakiekolwiek narzędzie skanowania. Pięć sekund. Jeśli manifest tam jest i jest ważny, masz bardziej wiarygodną informację niż jakikolwiek wynik prawdopodobieństwa, jaki ci da skaner.

Dwa wzorce, do których powinieneś podejść ostrożnie: każde narzędzie, które oznaczyło 27 z 31 rzeczywistych fotografii jako generowane przez AI (jedno narzędzie w badaniu WebsitePlanet zrobiło dokładnie to), i każde narzędzie twierdzące dokładność wykrywania powyżej 98 proc. bez precyzacji, na których generatorach model był trenowany. Liczba może być technicznie dokładna na wąskim zbiorze treningowym. Na twoich obrazach może być nie.

Jak wygląda krajobraz wykrywania od teraz

Standard C2PA jest wdrażany w całym ekosystemie oprogramowania i sprzętu szybciej niż narzędzia skanowania się ulepszają. Adobe, Apple, Leica, Sony, Nikon i BBC wszystkie się podpisały. W ciągu kilku lat domyślne założenie się zmieni: obraz z poświadczeniami nosi sprawdzalny szlak pochodzenia, a obraz bez poświadczeń ponosi ciężar ustalania pochodzenia innymi sposobami.

Dla projektantów kartek to nie zagrożenie. To wyjaśnienie reguł. Infrastruktura przejrzystości, którą branża buduje wokół treści AI, daje ci zdolność, aby wyraźnie i weryfikowalnie powiedzieć, jaki był twój proces. Rendering akwareli, który przybywa z manifestem C2PA pokazującym, że pochodzi z twojego narzędzia, w konkretnym dniu, używając zdjęcia, które posiadasz, nie jest podejrzany. Jest udokumentowany.

Narzędzia do skanowania pikseli są teraz użyteczne, wypełniając lukę między istnieniem generatora a posiadaniem przez branżę infrastruktury do poświadczania. Gdy ta luka się zamknie, pytanie czy detektor może złapać twoją pracę będzie mniej ważne niż pytanie czy twój obraz nosi swój łańcuch pochodzenia w stanie nienaruszonym.

Na teraz: jeśli tworzysz karty świąteczne malowane AI i chcesz zrozumieć, gdzie siedzi twoja praca w krajobrazie wykrywania, przepuść próbkę przez SightEngine lub Hive, zwróć uwagę na zakres pewności zamiast tylko liczby nagłówkowej, i zweryfikuj jakie dane pochodzenia twój generator dołączył. Te trzy punkty danych razem są bardziej informacyjne niż jakikolwiek pojedynczy wynik procentowy przedstawiony jako werdykt.