Wykrywacz AI zdjęć: czy ten obraz jest z AI?

Jak sprawdzić, czy zdjęcie jest z AI: kolejność kroków

Najpewniej sprawdzisz, czy zdjęcie jest z AI, nie jednym detektorem, ale kilkoma niezależnymi sygnałami. Ten wykrywacz AI zdjęć daje dwa z nich — metadane i ocenę modelu ML — a trzeci zostaje po Twojej stronie: źródło i kontekst obrazu. Praktyczna kolejność:

1. Znajdź oryginał. Wyszukiwanie obrazem (Google Lens, TinEye) często prowadzi do pierwszej publikacji — z podpisem autora, większą rozdzielczością, a czasem z metadanymi, które zginęły w udostępnieniach.
2. Sprawdź metadane. Jeśli generator zapisał manifest C2PA lub etykietę IPTC, to najmocniejszy argument. Szczegółową analizę manifestu znajdziesz w C2PA Checker.
3. Uruchom model ML. Ocenia piksele i działa, gdy metadanych nie ma.
4. Obejrzyj obraz według listy kontrolnej na stronie: dłonie, napisy, odbicia, tło.
5. Oceń kontekst: kto opublikował, czy są inne ujęcia tego samego wydarzenia, czy pogoda, szyldy i ubrania pasują do miejsca i daty.

Żaden krok sam nie daje odpowiedzi „tak/nie”. Pewność pojawia się wtedy, gdy kilka sygnałów wskazuje ten sam kierunek.

Co widzi wykrywacz AI zdjęć

Metadane: zapis pochodzenia

Część generatorów oznacza swoje pliki. Standard C2PA (Content Credentials) przechowuje w pliku podpisany manifest: kto utworzył obraz i co z nim robiono. Dla generatywnej AI manifest zawiera typ źródła trainedAlgorithmicMedia, a dla kompozycji z elementami AI — compositeWithTrainedAlgorithmicMedia. Ten sam słownik IPTC bywa używany także bez C2PA, w polu XMP DigitalSourceType. Generatory lokalne zapisują własne dane: Stable Diffusion WebUI zapisuje prompt i ustawienia w bloku tekstowym PNG parameters, a ComfyUI — w blokach prompt i workflow.

Warto pamiętać o dwóch cechach metadanych. Ich obecność to silny sygnał, bo taki wpis nie pojawia się przypadkiem. Ich brak nic nie znaczy: bloki znikają przy ponownym zapisie, a usunąć je może każdy, choćby narzędziem do usuwania EXIF. Pokazujemy, co deklaruje manifest, ale nie weryfikujemy podpisu kryptograficznie; do tego służy oficjalny serwis contentcredentials.org/verify.

Piksele: czego uczy się klasyfikator

Detektor ML nie „rozumie” sceny. Wytrenowano go na setkach tysięcy prawdziwych i wygenerowanych obrazów, więc wychwytuje statystyczne ślady generowania: charakterystyczny szum, regularności po zwiększaniu rozdzielczości, cechy tekstur. Model na tej stronie klasyfikuje cały kadr: obraz jest zmniejszany do 440 px na krótszym boku, ze środka brany jest kwadrat 384×384, a wynikiem jest jedna liczba, którą zamieniamy na prawdopodobieństwo. Próg „raczej AI” to 65% — tę wartość wybrał autor modelu podczas kalibracji.

Niewidoczne znaki wodne

Osobną klasą sygnałów są znaki wodne w samych pikselach. Najbardziej znany to SynthID od Google: osadzany w obrazach modeli Google i projektowany tak, by przetrwał kompresję i przycięcie. Odczyta go tylko detektor Google, dlatego ta strona go nie wykrywa. Jak sprawdzić SynthID w Gemini, opisuje osobna instrukcja.

Gdzie detektory się mylą

Znajomość słabych punktów przydaje się bardziej niż procenty trafności:

• Mocno obrobione prawdziwe zdjęcia. HDR, tryb nocny smartfona, odszumianie AI, upscalery i filtry upiększające zostawiają ślady podobne do generowania. Wysoki wynik takiego kadru to częsty fałszywy alarm.
• Częściowe edycje. Jeśli AI domalowała niebo albo usunęła przechodnia, a reszta jest prawdziwym zdjęciem, klasyfikator całego kadru może nie zauważyć wstawki.
• Małe i ponownie skompresowane obrazy. Miniatury, awatary i kopie z komunikatorów tracą drobne szczegóły, na których opiera się model. Przy obrazach poniżej 256 px na krótszym boku narzędzie wyświetla osobne ostrzeżenie.
• Zrzuty ekranu i zdjęcia ekranu. Dodają ramki, interfejs, mory i przeskalowanie — sygnał się rozmywa.
• Nowe generatory. Model zna to, na czym go trenowano. Generator wydany później może tworzyć obrazy, których nie rozpozna.
• Rysunki, 3D i CGI. Grafika cyfrowa wykonana przez człowieka to nie fotografia i model może oceniać ją nieprzewidywalnie.

Dlaczego różne detektory dają różne odpowiedzi

Sprawdzając ten sam obraz w trzech serwisach, łatwo dostać 12%, 58% i 97%. Nie musi to oznaczać, że któryś z nich jest zepsuty. Każdy model trenowano na innym zbiorze danych: jeden widział dużo Midjourney i mało FLUX, drugi odwrotnie. Każdy ma własny próg: gdzieś „AI” zaczyna się od 50%, u nas od 65%. Wreszcie procent jednego serwisu nie równa się procentowi innego: to wewnętrzna skala modelu, a nie wspólna jednostka.

Dlatego porównuj wnioski, a nie liczby, i tylko na tym samym pliku. Nawet ponowny zapis JPEG z inną jakością albo przycięcie krawędzi potrafi przesunąć wynik o kilkadziesiąt punktów procentowych, zwłaszcza w pobliżu progu. Jeśli wynik zmienia się w zależności od sprawdzanej kopii, to już jest informacja: obraz leży w strefie, w której modele nie są pewne, a wniosek trzeba oprzeć na metadanych, źródle i oględzinach.

Detektory się też starzeją. Generatory dostają nowe wersje co kilka miesięcy, a model wytrenowany pół roku wcześniej może gorzej rozpoznawać najnowsze. Podajemy, na jakich generatorach trenowano model na tej stronie, żeby było jasne, gdzie jego ocena jest pewniejsza.

Jak czytać wynik

W razie wątpliwości sprawdź najlepszą dostępną kopię: plik w pełnej rozdzielczości ze źródła prawie zawsze daje bardziej miarodajny wynik niż obraz zapisany z feedu.

Praktyczna lista kontrolna przed wnioskiem

• Czy obraz ma autora, datę i miejsce, które da się zweryfikować?
• Czy da się znaleźć wcześniejszą publikację lub wersję w większej rozdzielczości?
• Co jest w metadanych: C2PA, DigitalSourceType, parametry generowania, EXIF aparatu? Pamiętaj, że EXIF łatwo podrobić.
• Jaki wynik daje model na oryginale, a nie na zrzucie ekranu?
• Czy drobiazgi się zgadzają: palce, tekst na szyldach, odbicia, cienie, symetria biżuterii?
• Czy kadr nie został obrobiony w sposób, który tłumaczy wysoki wynik (HDR, retusz, upscaling)?

Pełny audyt pliku — ukryte etykiety, anomalie LSB i czyszczenie metadanych — zapewnia detektor znaków wodnych na obrazie.