La retouche selon les règles : où s'arrête la science et commence la tromperie ✛ ✎

À l'écran, le résultat d'une simulation complexe : deux planètes entrent en collision, une onde de choc se propage. Quelques clics dans l'éditeur – et les ombres dures s'adoucissent, le bruit s'estompe, l'arrière-plan s'assombrit. Cette retouche numérique (modification d'une image pour améliorer son apparence) fait depuis longtemps partie de l'arsenal des scientifiques. Mais si l'on confie le bouton « améliorer » non pas à un humain mais à un apprentissage automatique – par exemple, un réseau de neurones génératif entraîné sur des millions de photos –, la frontière entre esthétique et tromperie devient floue. Un groupe de chercheurs a étudié où se situe exactement cette frontière et si elle dépend de celui qui effectue la retouche.

Pour distinguer l'effet du type de modification de celui de la source, les auteurs ont préparé deux ensembles de visualisations. Le premier est une scène 3D abstraite avec une théière, dans laquelle ils ont introduit manuellement 15 transformations : des plus présentables (changement d'angle, réglage de l'éclairage) aux plus profondes, modifiant le traitement numérique d'images des données (suppression du bruit, remplissage des lacunes, déformation de la forme). Chaque modification était présentée sous forme d'animation, alternant image originale et image retouchée. Ensuite, 95 experts en vision par ordinateur et en conception de visualisations ont évalué l'acceptabilité de chaque retouche. L'échelle allait de 1 à 6. D'abord, l'auteur était un humain, puis une IA : réseaux antagonistes génératifs et modèles de diffusion basés sur des transformeurs.

Les chiffres dessinent une hiérarchie nette. En haut : le changement d'angle (score moyen 3,38 sur 5), l'adoucissement (3,27) et le réglage de l'éclairage (3,19). En bas : le déplacement d'objets (1,71), la suppression de détails importants (1,62), l'ajout de caractéristiques inexistantes (1,61) et la déformation de la forme (1,40). L'écart entre les extrêmes est presque triple. Curieusement, l'IA explicable ne sauve rien : même lorsque l'algorithme déclare ses étapes, ses retouches sont jugées plus sévèrement. Les réseaux de neurones ont systématiquement obtenu des scores plus faibles, en particulier pour des modifications auparavant acceptables. Dans les réponses ouvertes, les experts expliquaient : on attribue à l'humain une intention, une prudence et une compréhension du contexte, tandis que l'algorithme est perçu comme sujet aux hallucinations et dépourvu de responsabilité. La hiérarchie, cependant, ne s'est presque pas brisée : humain et machine échouent également sur la distorsion du sens.

Pour les développeurs d'assistants IA de visualisation, cela signifie la nécessité de garde-fous intégrés. Les opérations qui modifient la forme ou ajoutent des détails devraient être accompagnées d'avertissements ou bloquées. Les participants à l'enquête ont souligné : la transparence des retouches (lesquelles et pourquoi) est plus importante que l'explication du fonctionnement du réseau de neurones. Peut-être verra-t-on des panneaux où chaque modification est documentée et peut être annulée en un clic. Et aussi des certificats « vérifié par un humain » pour les publications clés, car seuls 14 % des experts sont catégoriquement opposés aux outils d'IA, et deux les utilisent déjà dans leur travail. La retouche suit une courbe d'adoption. L'histoire est familière. Autrefois, la correction des couleurs était considérée comme malhonnête ; aujourd'hui, les filtres des smartphones sont la norme. L'étude capture le stade précoce de ce changement.

Cette fameuse image de collision planétaire, après une retouche honnête, pourra figurer dans les pages des revues. Toute embellissement n'est pas un péché. La transparence et l'honnêteté sont la seule monnaie de la confiance. Et dans cinq ans, les filtres IA sur les images scientifiques seront aussi courants que les filtres de smartphone aujourd'hui.