Le hashing perceptuel : comment les plateformes l'utilisent

Chaque fois que vous uploadez une image sur Instagram, Facebook, TikTok ou toute autre grande plateforme, le système génère une empreinte numérique compacte de votre fichier. Cette empreinte n'est pas basée sur le nom du fichier ni sur ses octets bruts. Elle est basée sur ce à quoi l'image ressemble visuellement. Cette technologie s'appelle le hachage perceptuel, et c'est le fondement de la façon dont les plateformes détectent le contenu dupliqué et reposté à grande échelle.

Comprendre le hachage perceptuel est essentiel pour savoir pourquoi les modifications simples comme le recadrage, les filtres ou l'ajout d'une bordure n'empêchent plus vos reposts d'être signalés. Les plateformes combinent cette technique avec d'autres couches dans leur pipeline de détection de contenu dupliqué.

Les trois principaux types de hachage perceptuel

Il existe plusieurs algorithmes de hachage perceptuel largement utilisés. Chacun adopte une approche différente pour réduire une image à une courte chaîne binaire qui capture son essence visuelle.

aHash (Average Hash)

La méthode la plus simple. L'image est redimensionnée en une grille minuscule (généralement 8x8 pixels), convertie en niveaux de gris, puis chaque pixel est comparé à la luminosité moyenne globale. Les pixels plus lumineux que la moyenne deviennent un 1, et les pixels plus sombres un 0. Le résultat est une chaîne binaire de 64 bits. Deux images qui se ressemblent produiront des valeurs aHash quasiment identiques, même si l'une a été redimensionnée, légèrement recadrée ou si sa luminosité a été ajustée.

dHash (Difference Hash)

Au lieu de comparer chaque pixel à la moyenne, dHash compare chaque pixel à son voisin. L'image est redimensionnée en 9x8 pixels, et pour chaque ligne, l'algorithme vérifie si le pixel à droite est plus lumineux ou plus sombre que le pixel courant. Cela produit un hash de 64 bits qui capture la structure de gradient de l'image. dHash est plus robuste aux changements de luminosité et de contraste que aHash car il encode des différences relatives plutôt que des valeurs absolues.

pHash (Perceptual Hash)

L'approche la plus sophistiquée des trois méthodes classiques. pHash redimensionne l'image en 32x32 pixels, la convertit en niveaux de gris, puis applique une transformée en cosinus discrète (DCT) pour convertir les données en pixels en composantes fréquentielles. Seules les composantes de plus basse fréquence sont conservées (généralement le bloc 8x8 en haut à gauche de la matrice DCT), car elles représentent les caractéristiques structurelles globales de l'image plutôt que les détails fins. Chaque composante fréquentielle est comparée à la médiane pour produire un hash binaire. pHash est très résistant au redimensionnement, à la compression, au recadrage mineur, aux ajustements de couleur et à la plupart des filtres de type Instagram.

Pourquoi le hachage perceptuel survit aux modifications courantes

L'idée clé derrière le hachage perceptuel est qu'il élimine délibérément les détails. En réduisant une image à une grille 8x8 ou à une poignée de composantes fréquentielles, l'algorithme ne capture que la structure à grande échelle : la disposition générale des zones claires et sombres, les formes dominantes, la composition de base. Cela signifie que les changements qui n'affectent que les détails fins sont invisibles pour le hash.

• Le redimensionnement n'a aucun effet car l'image est déjà redimensionnée en une grille minuscule en interne.
• La compression JPEG préserve les informations de basse fréquence par conception, soit exactement ce que pHash mesure.
• Les filtres de couleur changent la teinte et la saturation mais modifient rarement la structure en niveaux de gris de manière significative.
• Le recadrage (sauf extrême) laisse la plupart des caractéristiques spatiales dominantes intactes.
• L'ajout de bordures ou de filigranes n'affecte qu'une petite portion de la grille globale de pixels.

C'est pourquoi les astuces classiques de repost, ajouter un filtre, retourner l'image ou mettre une bordure blanche autour, ont cessé de fonctionner il y a des années. Le hash perceptuel de la version modifiée correspond encore suffisamment à l'original pour déclencher une détection de doublon.

Limites du hachage perceptuel classique

Malgré leur efficacité contre les modifications basiques, les hachages perceptuels classiques ont de vraies limites. Ils ont du mal avec les transformations géométriques importantes comme les grandes rotations ou les changements de perspective. Ils peuvent être trompés par des modifications fortement stylisées qui changent la distribution globale de la luminosité. Et ils fonctionnent sur une représentation unique et fixe de l'image, ce qui signifie qu'ils ne peuvent pas capturer le contenu sémantique de niveau supérieur comme les objets ou les personnes présentes dans le cadre.

Pour les plateformes qui traitent des milliards d'uploads, ces limitations comptent. Un reposteur déterminé pourrait, en théorie, effectuer suffisamment de changements pour casser un hash perceptuel classique. C'est pourquoi l'industrie est allée au-delà du hachage basique.

Comment le SSCD de Meta dépasse le hachage traditionnel

En 2022, Meta a publié le SSCD (Self-Supervised Copy Detection), un modèle de deep learning spécifiquement conçu pour remplacer et surpasser le hachage perceptuel classique. Au lieu de règles codées à la main comme les seuils de fréquence DCT, le SSCD utilise un réseau neuronal ResNet50 entraîné sur des millions de paires d'images pour apprendre ce qui fait que deux images sont des copies l'une de l'autre.

Le modèle prend n'importe quelle image, la redimensionne en 224x224 pixels et produit un vecteur d'embedding à 512 dimensions. Deux images qui sont des copies l'une de l'autre, indépendamment du recadrage, du filtrage, de la compression ou même d'une superposition partielle, auront des vecteurs d'embedding avec une haute similarité cosinus (au-dessus de 0.75). Les images véritablement différentes auront des scores de similarité bas.

Le SSCD est considérablement plus robuste que pHash. Il peut détecter des copies qui ont été fortement recadrées, étalonnées en couleur, recouvertes de texte, compressées à travers plusieurs passages JPEG, et même capturées d'écran depuis un appareil et re-uploadées depuis un autre. Il comprend le contenu sémantique de l'image à un niveau qu'aucune fonction de hachage ne peut égaler.

Meta déploie le SSCD sur Facebook et Instagram pour alimenter leur pipeline de détection de copies. Quand vous uploadez une photo, le SSCD génère un embedding, et cet embedding est comparé à une base de données de contenu connu. Si la similarité cosinus dépasse le seuil, votre upload est signalé comme doublon.

Ce que cela signifie pour les reposteurs de contenu

La combinaison du hachage perceptuel classique et des modèles de deep learning comme le SSCD signifie que les modifications superficielles ne suffisent plus. Recadrage, filtrage, retournement, ajout de bordures, changement de résolution : rien de tout cela ne change de manière fiable les caractéristiques sous-jacentes que les systèmes de détection mesurent. L'empreinte survit car elle est basée sur ce à quoi l'image ressemble pour un réseau neuronal, pas sur ses valeurs de pixels brutes.

Pour rendre un repost véritablement indétectable, il faut des modifications qui opèrent au même niveau que le modèle de détection lui-même. Découvrez comment contourner efficacement la détection de contenu. Cela signifie des perturbations adversariales : des changements au niveau du pixel, soigneusement calculés, qui sont invisibles à l'oeil humain mais qui altèrent radicalement la représentation interne de l'image par le réseau neuronal. Ces perturbations déplacent l'embedding SSCD suffisamment loin de l'original pour que la similarité cosinus tombe en dessous du seuil de détection.

C'est exactement ce que fait MetaGhost. Il combine l'injection de métadonnées, des modifications au niveau pixel et des perturbations IA adversariales spécifiquement optimisées contre le SSCD et d'autres modèles de détection pour faire apparaître chaque fichier traité comme du contenu entièrement original aux yeux de la plateforme. Pas de filtres, pas d'astuces de recadrage, pas d'édition manuelle nécessaire.

Prêt à contourner le hachage perceptuel et la détection de copies par IA ? Commencez avec MetaGhost et rendez chaque upload indétectable.