Un cadre de détection de deepfakes résilient face au quantique utilisant ResNeXt amélioré et une défense par cryptographie post-quantique

Pourquoi les photos truquées concernent tout le monde

Les images et vidéos qui semblent authentiques mais sont en réalité fabriquées — souvent appelées deepfakes — ne sont plus de simples curiosités d’internet. Elles peuvent influencer l’opinion publique, salir des réputations, embrouiller des tribunaux et rendre plus difficile la confiance en ce que nous voyons en ligne. Cet article présente DeepQShield, un nouveau système conçu non seulement pour repérer ces images falsifiées avec une très grande précision, mais aussi pour protéger ses propres résultats contre de puissants ordinateurs futurs susceptibles d’essayer de les altérer ou de les tromper.

Voir la différence entre visages réels et faux

Au cœur de DeepQShield se trouve un réseau moderne de reconnaissance d’images adapté à la tâche spécifique de distinguer les visages authentiques des visages synthétiques. Entraîné sur 140 000 images provenant du Deepfake Detection Challenge, équilibrées entre réelles et truquées, le système apprend à détecter de minuscules indices visuels que l’œil humain manque souvent. Ces indices peuvent provenir d’incohérences subtiles d’éclairage, de la texture de la peau, ou de l’alignement des différentes parties du visage. En préparant soigneusement les données — redimensionnement, normalisation des couleurs, vérification de l’intégrité des fichiers — et en utilisant une architecture efficace appelée ResNeXt, le système construit une représentation robuste de ce à quoi les visages authentiques « devraient » ressembler dans de nombreuses conditions.

Entraîner le système à résister aux supercheries

Beaucoup de détecteurs de deepfakes existants fonctionnent bien jusqu’à ce qu’un attaquant modifie délibérément des images de façon à les perturber. DeepQShield répond à cela en s’entraînant à la fois sur des images normales et sur des versions spécialement perturbées qui imitent de telles attaques. Ces perturbations ne sont pas aléatoires ; elles sont guidées par un cadre mathématique connu sous le nom de « learning with errors » (apprentissage avec erreurs), issu du domaine de la cryptographie post-quantique. Concrètement, cela signifie que le système est exposé de façon répétée à des images contenant du bruit structuré de manière contrôlée, l’obligeant à s’appuyer sur des indices faciaux plus profonds et plus stables plutôt que sur des motifs fragiles facilement manipulables. En conséquence, il devient beaucoup plus difficile pour un attaquant — même disposant d’une connaissance détaillée du modèle — de modifier une image juste ce qu’il faut pour la faire passer inaperçue par le détecteur.

Verrouiller les résultats avec une sécurité à l’épreuve du futur

Repérer un faux n’est qu’une partie de l’enjeu, notamment dans les salles d’audience, les salles de rédaction et les systèmes de modération de contenu où le verdict lui‑même doit être digne de confiance. DeepQShield enveloppe chaque résultat de détection dans une cryptographie forte et résistante au quantique. Deux algorithmes de premier plan, Kyber et Dilithium, sont utilisés pour échanger des clés de chiffrement et pour signer chaque prédiction d’une manière qui reste sécurisée même face à de futurs ordinateurs quantiques. Le système peut aussi combiner ces méthodes avec des techniques classiques comme RSA et les clés à courbes elliptiques, créant ainsi un bouclier hybride autour du résultat. Avec des métadonnées de sécurité riches et une chaîne de conservation claire, cela permet aux enquêteurs et aux tiers de vérifier qu’une décision « réelle » ou « fausse » provient bien du modèle d’origine et n’a pas été altérée en transit.

Quelle tenue du bouclier

Testé sur les images de référence du Deepfake Detection Challenge, DeepQShield a atteint une précision de 99,28 % et un score aire‑sous‑la‑courbe quasi parfait de 0,9997, surpassant des alternatives bien connues telles qu’EfficientNet, les vision transformers et plusieurs modèles basés sur des ensembles et des mécanismes d’attention. Il a aussi bien généralisé à différentes collections de deepfakes, notamment FaceForensics++ et Celeb‑DF, où les données ont été capturées dans d’autres conditions de tournage et avec d’autres styles de manipulation. Des tests de résistance avec des méthodes d’attaque « adversariales » standards ont montré que, même lorsque les images étaient délibérément modifiées pour le tromper, le système conservait un niveau de performance significatif et pouvait utiliser des scores de confiance calibrés pour signaler les cas suspects plutôt que de fournir des réponses trop sûres mais erronées.

Ce que cela signifie pour la confiance dans les médias numériques

DeepQShield montre qu’il est possible de combiner une détection d’images falsifiées à la pointe avec des mesures de sécurité conçues pour un monde où les ordinateurs quantiques sont pratiques. Pour les non‑spécialistes, son message principal est simple : nous pouvons construire des outils qui non seulement reconnaissent les visages falsifiés avec une grande fiabilité, mais prouvent aussi, de manière vérifiable et résiliente aux altérations, que ces jugements sont authentiques. Adoptés dans des environnements tels que les plateformes de médias sociaux, les organisations de presse et la criminalistique légale, des systèmes comme DeepQShield pourraient contribuer à restaurer une partie de la confiance que les deepfakes érodent progressivement.

Citation: Shreeya, K.N., Subburaj, B., Saketh, K.S.G. et al. A quantum resilient deepfake detection framework using enhanced resnext and post quantum cryptography defence. Sci Rep 16, 10046 (2026). https://doi.org/10.1038/s41598-026-38924-7

Mots-clés: détection de deepfakes, criminalistique d'image, attaques adversariales, sécurité post-quantique, cryptographie