💻 computer science

Proof-of-Authorship for Diffusion-based AI Generated Content

Cet article propose un cadre de preuve d'auteur pour les contenus générés par des modèles de diffusion latente, permettant aux créateurs d'attester de leur paternité en liant cryptographiquement la graine aléatoire de génération à leur identité, sans recourir à de secrets partagés.

Auteurs originaux : De Zhang Lee, Han Fang, Ee-Chien Chang

Publié 2026-03-19

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : De Zhang Lee, Han Fang, Ee-Chien Chang

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🎨 Le Problème : Qui a vraiment peint ce tableau ?

Imaginez que vous êtes un artiste. Vous passez des heures à créer un magnifique tableau numérique grâce à une intelligence artificielle (IA). Mais soudain, quelqu'un d'autre arrive, prend votre tableau, et dit : « C'est moi qui l'ai fait ! »

Aujourd'hui, prouver qui est le vrai créateur d'une image générée par une IA est un cauchemar.

L'ancienne méthode (le cachet) : C'est comme mettre une date et une signature sur une photo. N'importe qui peut prendre une photo, la signer et dire « C'est moi, je l'ai faite en premier ». Ce n'est pas une preuve de création, juste une preuve de possession.
L'autre méthode (le tatouage invisible) : C'est comme cacher un message secret dans les pixels de l'image. Le problème ? Si quelqu'un d'autre trouve un moyen de cacher un autre message secret dans la même image, on ne sait plus qui est le vrai propriétaire. De plus, si l'image est compressée ou modifiée, le message disparaît.

💡 La Solution : La "Recette Magique" (Proof-of-Authorship)

Les auteurs de ce papier (de l'Université Nationale de Singapour) ont une idée géniale. Au lieu de cacher un secret, ils utilisent la recette exacte de la création.

Imaginez que l'IA est un chef cuisinier très précis. Pour faire un gâteau, il a besoin de trois ingrédients :

La commande du client (le texte que vous écrivez, ex: "un chat sur la lune").
Le modèle du chef (la version de l'IA utilisée).
Le grain de sel aléatoire (une petite pincée de hasard au début de la cuisson).

Dans les systèmes actuels, le "grain de sel" est choisi au hasard par l'ordinateur. N'importe qui peut dire : "Moi aussi, j'ai mis un grain de sel, donc c'est mon gâteau !"

Leur innovation : Ils disent : "Non, le grain de sel ne doit pas être aléatoire. Il doit être calculé à partir de votre identité."

🗝️ L'Analogie de la "Recette Cryptée"

Voici comment leur système fonctionne, étape par étape :

La Recette Unique : Quand vous créez une image, le système prend votre nom d'utilisateur, votre texte de commande et le modèle utilisé, et les mélange dans une machine à café magique (appelée Fonction Pseudorandom). Cela produit un numéro de série unique (la graine).
La Création : Ce numéro de série est utilisé comme le "grain de sel" initial pour l'IA. L'IA génère l'image.
La Preuve : Si quelqu'un conteste votre image, vous ne devez pas crier "C'est à moi !". Vous devez simplement montrer la recette (votre nom + le texte + le numéro de série).

🔍 Le Juge et le Test Statistique

Comment sait-on que la recette est vraie ? C'est là que le système devient intelligent.

Imaginez un Juge et un Expert Statisticien (l'Adjudicateur).

Vous donnez l'image contestée et votre recette.
L'Expert dit : "Très bien. Je vais utiliser votre recette pour essayer de recréer l'image 100 fois de suite."
Le miracle : Si vous êtes le vrai créateur, l'IA va produire une image qui ressemble exactement à l'originale (parce que vous avez la bonne recette).
Le test : Si un imposteur essaie de deviner votre recette, il va devoir deviner un numéro de série au hasard. La probabilité que ce numéro au hasard produise une image identique à la vôtre est aussi faible que de gagner au loto 50 fois de suite d'affilée.

C'est mathématiquement impossible pour un humain ou un ordinateur de deviner ce numéro à temps.

🛡️ Pourquoi c'est mieux que les autres méthodes ?

Pas de secrets à garder : Avec les tatouages invisibles, vous devez garder le secret du tatouage bien caché. Si vous le perdez, vous perdez vos droits. Ici, tout est public ! Vous pouvez afficher votre recette sur Internet. Personne ne peut la voler car elle est liée à votre identité.
Résistant aux modifications : Si quelqu'un modifie légèrement votre image (ajoute du bruit, la recadre, la change de couleur), le système est assez malin pour comprendre que c'est toujours la même "recette" derrière, même si l'image a un peu changé.
Imbattable : Même si un hacker essaie de "démêler" l'image pour trouver le point de départ, il ne peut pas deviner quel numéro de série vous avez utilisé, car il est lié à votre identité par une serrure mathématique très forte.

🎭 En résumé

Ce papier propose un système où l'identité du créateur est intrinsèquement liée à l'image, comme une empreinte digitale générée par une recette mathématique.

Avant : "J'ai signé ce document en premier." (Facile à contester).
Maintenant : "Voici la recette exacte qui a permis de faire ce gâteau. Si vous essayez de la deviner, vous aurez besoin de plus de temps que l'âge de l'univers pour réussir."

C'est une façon élégante, publique et mathématiquement sûre de dire : "C'est moi qui ai fait ça, et personne d'autre ne peut le prouver."

1. Problématique et Contexte

L'avènement des modèles de diffusion latente (LDM) comme Stable Diffusion, DALL-E et Midjourney a révolutionné la génération d'images à partir de descriptions textuelles. Cependant, cette technologie soulève des défis majeurs en matière de protection de la propriété intellectuelle et d'authentification du contenu généré.

Limites des approches actuelles :
- Horodatage (Timestamping) : Permet de prouver qu'un objet existait à un moment donné, mais n'empêche pas qu'un tiers s'approprie un objet existant en étant le premier à l'horodater.
- Filigranes numériques (Watermarking) : Nécessitent souvent l'insertion d'un secret (clé privée) dans l'image ou le modèle. Ils sont vulnérables aux attaques de suppression (removal attacks) et aux attaques d'ambiguïté (ambiguity attacks), où un adversaire peut forger un filigrane concurrent valide. De plus, la vérification est souvent coûteuse en calcul (ex: preuves à divulgation nulle de connaissance).
Le besoin spécifique : Il existe un besoin de prouver non seulement la propriété d'un objet existant, mais l'auteurship (l'auteurie) : la capacité à démontrer qu'un objet a été généré par un auteur spécifique à partir de paramètres spécifiques, sans que quiconque puisse répliquer ce processus pour un objet différent.

2. Méthodologie : Le Cadre de Preuve d'Auteur (POA)

Les auteurs proposent un cadre léger, sans secret, baptisé Proof-of-Authorship (POA). L'idée centrale est de lier cryptographiquement l'identité de l'auteur et les métadonnées de génération au point de départ aléatoire (seed) du processus de diffusion.

A. Principe de Fonctionnement

Génération de la Graine (Seed) : Au lieu de choisir une graine aléatoire pure, l'auteur génère la graine $s$ $s$ en utilisant une Fonction Pseudo-Aléatoire Cryptographique (PRF), notée $f_i$ $f_{i}$ .
- Entrées de la PRF : L'identité de l'auteur ( $i$ ), les paramètres de méta-génération ( $m$ ), l'embedding du prompt ( $e$ ) et une séquence aléatoire ( $r$ ).
- Formule : $s = G(f_i(\langle m, e, r \rangle))$ , où $G$ est un échantillonneur déterministe.
Génération de l'Image : L'image est générée par le LDM en utilisant cette graine dérivée.
Vérification (Phase de Contestation) :
- Un auteur revendique la paternité d'une image contestée $I$ .
- Il fournit ses paramètres de génération ( $\kappa = \langle m, e, r \rangle$ ) et son identité.
- Un Arbitre Probabiliste (Probabilistic Adjudicator - PA) recrée le point de départ latent théorique et génère un ensemble d'images de référence.
- Le PA calcule la similarité entre l'image contestée et les images générées à partir de la graine de l'auteur.
- Si la similarité est statistiquement significative (c'est-à-dire que la probabilité qu'un forgeron aléatoire obtienne un tel score est infime), la revendication est validée.

B. Hypothèses de Sécurité

Le cadre repose sur deux hypothèses principales :

Hypothèse A1 (Difficulté de la PRF) : Il est computationnellement impossible pour un adversaire de distinguer la sortie de la PRF d'une séquence aléatoire véritable ou de trouver une autre combinaison de paramètres produisant la même image. Cela réduit toute attaque à un simple devin aléatoire.
Hypothèse A2 (Propriété de Diffusion) : La distribution des scores de similarité entre une image générée aléatoirement et une image cible suit une distribution sous-exponentielle. Cela permet d'estimer la probabilité d'une coïncidence (faux positif) avec un très petit nombre d'échantillons, rendant le test statistique efficace.

C. Rôle de l'Arbitre Probabiliste (PA)

Le PA effectue un test statistique pour déterminer la probabilité $q$ qu'un "forgeron aléatoire" (qui ne connaît pas la graine secrète de l'auteur) puisse générer une image similaire à $I$ .

Il échantillonne $n$ points de départ aléatoires.
Il génère des images et calcule les scores de similarité.
Il ajuste une distribution (approximée par une loi normale généralisée) pour estimer la queue de distribution.
Si la borne supérieure de l'intervalle de confiance de $q$ est très faible (ex: $2^{-50}$ ), le juge valide l'auteurship.

3. Contributions Clés

Cadre sans secret : Contrairement aux filigranes, le POA ne nécessite pas de garder des secrets. Toutes les informations nécessaires à la vérification (identité, paramètres) peuvent être publiques.
Preuve d'auteurship vs Preuve de propriété : Le système prouve que seul l'auteur ayant utilisé les paramètres spécifiques peut avoir généré l'objet, empêchant les revendications ambiguës sur des objets préexistants.
Optimalité statistique : L'algorithme de vérification est prouvé être un test statistique uniformément le plus puissant (UMP) pour distinguer les objets générés par l'auteur de ceux générés aléatoirement.
Efficacité d'échantillonnage : Grâce à l'hypothèse A2, le nombre d'échantillons nécessaires pour atteindre une haute confiance est logarithmique par rapport à la précision souhaitée, contrairement à l'échantillonnage naïf qui serait exponentiellement coûteux.
Résistance aux attaques : Le système est robuste contre les perturbations (bruit, compression JPEG) et les transformations géométriques légères (rotation, mise à l'échelle).

4. Résultats Expérimentaux

Les auteurs ont évalué leur approche sur Stable Diffusion 2.1 (SD2.1).

Validation de l'Hypothèse A2 : Les expériences confirment que les scores de similarité entre des latents générés aléatoirement suivent bien une distribution sous-exponentielle (approximée par une loi normale généralisée). La distance de Kolmogorov-Smirnov (KS) entre la distribution empirique et la théorie est faible (moyenne de 0,012).
Précision et Sécurité :
- Pour une probabilité cible de succès d'attaque d'un forgeron de $2^{-50}$ , le système atteint une précision de 100% pour déterminer si un objet correspond à un auteur donné.
- Le taux de faux positifs (images aléatoires validées à tort) est négligeable.
Robustesse : Le système résiste efficacement à :
- Du bruit gaussien additif.
- Une compression JPEG (même avec une qualité très faible, q=10).
- Des transformations affines (rotation, translation, mise à l'échelle) dans des plages perceptuellement acceptables.
Complexité : L'utilisation de l'hypothèse A2 réduit drastiquement le nombre d'échantillons nécessaires par rapport à une approche naïve (réduction de $2^{50}$ à environ $2^{13}$ échantillons pour une précision de $2^{-50}$ ).

5. Signification et Impact

Ce travail propose une solution fondamentale aux problèmes d'authentification dans l'ère de l'IA générative :

Supériorité sur le Filigranage : En éliminant la nécessité de secrets et en liant l'identité à la graine de génération via la cryptographie, le POA évite les attaques de suppression et d'ambiguïté qui affligent les filigranes traditionnels.
Transparence : La vérification est publique et ne dépend pas d'une autorité de confiance centrale ou d'un modèle privé.
Intégrité du Modèle : Contrairement aux méthodes de filigranage qui modifient le modèle de diffusion (fine-tuning) ou la distribution latente (introduisant des artefacts), le POA n'altère pas la qualité de l'image ni la distribution du modèle. Les images générées sont indiscernables de celles produites par un LDM standard.
Cadre Juridique et Technique : Ce système offre une base technique solide pour les revendications de droits d'auteur sur le contenu généré par l'IA, en prouvant l'origine de la création plutôt que simplement l'existence de l'objet.

En conclusion, ce papier établit que la graine de génération, lorsqu'elle est cryptographiquement liée à l'identité de l'auteur, constitue une preuve d'auteurship robuste, vérifiable et sans secret, capable de résister aux tentatives de contrefaçon et aux transformations courantes des images.