С каждым обновлением нейросетей визуальные признаки становятся менее заметны, но полностью не исчезают. Разбираем на что обращать внимание при ручной проверке и какие сервисы помогают автоматизировать эту задачу.
Классические слабые места генеративных моделей — руки и пальцы (неправильное количество, неестественные пропорции), текст на изображении (искажённые или бессмысленные буквы), излишняя симметрия фона или узоров, странности в отражениях и тенях. Эти признаки стали реже встречаться в новых моделях, но всё ещё полезны как первая проверка.
У ИИ-изображений источник света иногда не согласован между разными объектами сцены — тени падают в разные стороны без физической логики. Текстуры кожи, ткани или волос могут выглядеть излишне «гладкими» или, наоборот, повторяющимися при увеличении масштаба.
Специализированные детекторы (например, встроенные в некоторые платформы для проверки контента) анализируют статистические паттерны пикселей, невидимые человеческому глазу, и дают вероятностную оценку — является ли изображение сгенерированным. Ни один детектор не даёт стопроцентной гарантии, точность снижается при постобработке изображения (сжатие, ретушь).
Некоторые сервисы генерации (включая крупные платформы) добавляют невидимые цифровые водяные знаки или метаданные о происхождении изображения — это более надёжный способ проверки, чем визуальный анализ, но работает только если метаданные не были удалены при сохранении или публикации файла.
В России в 2026 году вступили в силу требования о маркировке ИИ-контента — публикуемые сгенерированные изображения должны иметь пометку об этом. Это меняет саму задачу: для контента, размещённого после этой даты легально работающими площадками, распознавание ИИ-происхождения — это в первую очередь проверка наличия обязательной маркировки, а не только визуальный анализ. Подробности — в статье «Маркировка ИИ-контента: закон 2026 года».
Нет — ни визуальный анализ, ни автоматические детекторы не дают стопроцентной гарантии, особенно для качественно сгенерированных и обработанных изображений. Речь идёт о вероятностной оценке.
Чаще всего — несогласованность освещения и теней между объектами сцены, а также излишне «гладкие» или повторяющиеся текстуры при близком рассмотрении.
Да, если они не были удалены — это более надёжный метод, чем визуальный анализ, но работает только для изображений с сохранёнными метаданными.
Да — сжатие, ретушь и изменение размера снижают точность автоматических детекторов, так как это меняет статистические паттерны, на которых основан анализ.
Это полезно для проверки достоверности контента в новостях, соцсетях и при работе с источниками, где важно понимать, реальна ли фотография или создана нейросетью.