La retouche sans tricher : les règles pour les scientifiques ✛ ✎

Original: "May (A)I Beautify Your Visualization? Expert Judgments of Acceptable Aesthetic Alterations"
arXiv:2607.00239 · 2026-06-30 · arXiv non-exclusive · analyse indépendante · 2 min
95 experts ont évalué 15 méthodes de retouche d'images scientifiques et ont conclu : seules les modifications qui ne dénaturent pas le sens des données sont autorisées.

Sur l'écran du scientifique, une image s'affiche : l'ordinateur a simulé la collision de deux planètes. On aimerait ajuster un peu les ombres, effacer les taches, pour que le spectateur voie l'essentiel. Mais où s'arrête la simple amélioration visuelle et où commence la falsification ? Les chercheurs ont montré à 95 spécialistes en vision par ordinateur (l'analyse d'images) 15 méthodes différentes de retouche d'images scientifiques – du simple changement d'angle de caméra à l'ajout de détails inexistants. La moitié des retouches étaient effectuées par un humain, l'autre moitié par un programme utilisant l'apprentissage automatique (entraîné sur des exemples).

Les évaluations se sont ordonnées en une échelle claire. La rotation, le réglage de la lumière et le lissage du bruit ont obtenu des scores élevés (environ 3 sur 5). En revanche, déplacer un objet ou modifier sa forme est presque interdit (moins de 2). Le plus surprenant : lorsque les mêmes retouches étaient effectuées par un programme, les experts attribuaient des scores plus bas. Pourquoi ? On prête à l'humain une compréhension des intentions et de la prudence, tandis qu'un programme semble peu fiable – il pourrait « inventer » des détails qui n'existent pas. Même si le programme tente d'être explicable (en rendant compte de ses étapes), la confiance n'augmente pas.

Ce qui compte, ce n'est pas la retouche en elle-même, mais le fait qu'elle modifie ou non le sens des données. Le lissage (qui modifie les chiffres) a été autorisé, alors que le floutage (purement esthétique) ne l'a pas été.

Ces résultats sont importants pour les développeurs d'outils de traitement numérique d'images. Les réseaux de neurones modernes – notamment les modèles de diffusion, les réseaux antagonistes génératifs et les réseaux basés sur les transformeurs – sont de plus en plus utilisés pour la retouche. Mais, comme on l'a découvert, tout algorithme qui modifie la forme doit avertir l'utilisateur. De plus, toute retouche devrait être enregistrée, comme l'historique d'un navigateur. En science, l'essentiel n'est pas une image parfaite, mais la confiance dans ce qu'elle montre. Après une retouche honnête, cette image de collision planétaire pourra figurer dans les pages des revues. Toute embellissement n'est pas tromperie. La transparence est la véritable monnaie.

Les experts ne se laissent pas tromper : si on déplace une balle en tournant la caméra (autorisé), ils ne protestent pas ; mais si on déplace la même balle « à l'intérieur » de l'image (interdit), ils baissent immédiatement leur note. Ils jugent selon l'intention, pas selon l'apparence.

Scientifiques
Claude Shannon
Notions
IA explicable champ de vision intelligence artificielle auto-correction de l'IA vision par ordinateur traitement numérique d'images reconstruction 3D réduction de dimensionnalité optique adaptative image 3D variation de luminosité nettoyage des données traitement automatique du langage naturel images synthétiques régularisation modification des propriétés des cristaux référentiel transparence médecine personnalisée importance des caractéristiques