À Singapour, une fausse image IA de crocodile mène aux poursuites

Publié le Auteur/autrice Richard 0

À Singapour, une image générée par intelligence artificielle montrant un crocodile dans le réservoir de Pandan a entraîné la suspension d’activités nautiques et une intervention des autorités. Ye Lin, 30 ans, est poursuivi pour deux infractions et encourt, selon les plafonds mentionnés pour ces faits, jusqu’à dix ans de prison. Ce total théorique ne constitue pas une condamnation.

Le point important ne tient pas uniquement au réalisme de l’image. Un fichier faux peut provoquer une recherche sur le terrain, mobiliser des agents et déclencher une procédure pénale s’il est transmis comme un signalement crédible.

Une image envoyée à un collègue a perturbé les activités du réservoir

Les premières constatations attribuées à la police singapourienne indiquent que Ye Lin aurait créé l’image d’un crocodile estuarien nageant dans le réservoir de Pandan, un lieu utilisé pour les loisirs nautiques. Il l’aurait ensuite envoyée à un collègue. La manière dont elle a pu circuler au-delà de ce premier destinataire n’est pas clairement établie.

L’agence nationale de l’eau a recherché l’animal et a conclu que l’image était fausse. Les activités de canoë et d’aviron ont été suspendues pendant deux jours. Des agents ont donc été mobilisés pour vérifier un signalement qui ne correspondait à aucune présence de crocodile.

Cette séquence montre pourquoi le nombre de destinataires ne suffit pas à mesurer le risque. Un seul collègue peut transmettre l’image ou alerter un service qui doit traiter le danger comme possible avant de pouvoir l’écarter.

Ce que les poursuites reprochent au mis en cause

A wooden rubber stamp resting on an open German legal document
Photo de Markus Spiske sur Unsplash.

Les poursuites portent sur la communication d’un faux message et sur une obstruction à la justice. La police indique également que Ye Lin aurait supprimé l’image et l’application utilisée pour la créer afin de dissimuler ses actes. Ces éléments appartiennent encore à une procédure qui doit être examinée par le tribunal.

  • La communication d’un faux message peut entraîner jusqu’à trois ans de prison, une amende pouvant atteindre 10 000 dollars singapouriens, ou les deux.
  • L’obstruction à la justice peut entraîner jusqu’à sept ans de prison, avec une amende dont le montant n’est pas précisé dans les éléments disponibles.

Le chiffre de dix ans reprend les deux plafonds annoncés pour ces infractions. Il ne signifie pas que le tribunal prononcera automatiquement ce total, ni que la culpabilité est déjà établie.

Les détecteurs ne suffisent pas à établir la vérité

Une image créée par IA peut présenter des défauts visibles, comme des détails incohérents ou une lumière peu crédible. Ces indices ne forment pas une méthode fiable dans tous les cas. Un fichier peut aussi être recadré, compressé ou photographié à l’écran avant d’être transmis.

Une méta-revue publiée dans Frontiers in Big Data a comparé quinze travaux de synthèse sur les deepfakes. Elle relève une frontière floue entre les contenus produits par apprentissage profond, les manipulations classiques et les images simplement retouchées. La vérification doit donc porter sur le contexte, la provenance et les traces techniques, pas seulement sur l’apparence.

Une revue systématique publiée dans Frontiers in Artificial Intelligence a retenu 34 études parmi 120 résultats initiaux. Elle décrit le passage de modèles fondés sur les réseaux convolutifs vers des architectures de type transformer et CLIP, tout en signalant des limites persistantes concernant la généralisation à de nouveaux jeux de données, l’explicabilité et l’analyse simultanée de l’image, du son et du texte. Ces résultats décrivent l’état de la recherche examinée, pas la capacité d’un outil précis à authentifier l’image du crocodile.

Un filigrane numérique peut fournir un indice supplémentaire lorsqu’il est présent et conservé. Il ne constitue pas une preuve définitive dans chaque situation, notamment après une compression ou une modification du fichier. À l’inverse, l’absence de filigrane ne prouve pas qu’une image est authentique.

Le bon réflexe avant de transmettre une image inquiétante

a man holding a jar with a savings label on it
Photo de Towfiqu barbhuiya sur Unsplash.

Face à une image montrant un danger immédiat, il faut d’abord ralentir sa diffusion. Une procédure simple permet de conserver les éléments utiles sans transformer une incertitude en alerte publique :

  1. Ne pas transférer immédiatement l’image à d’autres personnes ni la publier sur un réseau social.
  2. Conserver le fichier original, le message qui l’accompagnait et l’identité du premier expéditeur, sans les modifier.
  3. Rechercher une confirmation indépendante auprès d’un organisme local, d’un service public ou d’un média fiable. Une recherche d’image inversée ne suffit pas toujours.
  4. Si le danger paraît réel, prévenir les autorités en précisant que l’image n’est pas vérifiée et en indiquant son origine.
  5. Si l’image a été créée comme une plaisanterie, signaler rapidement son caractère artificiel à chaque personne qui l’a reçue et demander qu’elle ne soit pas repartagée.

Cette méthode ne permet pas à elle seule de déterminer si un fichier a été produit par IA. Elle limite surtout le risque de présenter une information non vérifiée comme un fait.

À Singapour, la loi ne dépend pas toujours de l’étiquette IA

Dans une réponse officielle, le ministère de l’Intérieur singapourien indique que la police ne comptabilise pas séparément les données demandées sur les contenus générés par IA qui imitent des personnalités, des entreprises ou des administrations. L’identification d’un outil d’IA peut nécessiter une expertise numérique et ne pas aboutir à une conclusion certaine.

Pour les signalements liés à une usurpation ou à une escroquerie, la police peut toutefois examiner les éléments de preuve numériques et demander aux services en ligne de limiter l’accès à certains contenus au titre de l’Online Criminal Harms Actqu’ils aient été créés par IA ou par une autre technique. Cette possibilité concerne les mesures prises dans ces dossiers et ne signifie pas qu’elle a été utilisée dans l’affaire du réservoir de Pandan.

Dans le dossier de Pandan, l’image a suffi à déclencher une recherche réelle avant que son caractère fabriqué soit établi. Pour éviter de reproduire cette séquence, il faut vérifier son origine, conserver le contexte de réception et annoncer clairement le doute avant tout partage.

Sources et références scientifiques
  1. David Nield. Singapore man faces 10 years in jail for AI crocodile picture that triggered reservoir closure, as police warn against ‘communicating falsehoods’. 2026.
  2. An AI-driven conceptual framework for detecting fake news and deepfake content: a systematic review – PMC. Frontiers in artificial intelligence. DOI: 10.3389/frai.2026.1737790 · PMID: 41847081.
  3. Brown T., Mann B., Ryder N., Subbiah M., Kaplan J., Dhariwal P., et al. (2020). Language models are few-shot learners. Adv. Neural Inf. Proc. Syst. 33, 1877-1901. [Google Scholar].
  4. Brown T., Murtfeldt R., Qiu L., Karmakar A., Lee H., Tanumihardja E., et al. (2025). Deepfake-Eval-2024: a multi-modal in-the-wild benchmark of deepfakes circulated in 2024. arXiv. [Google Scholar].
  5. Chen Y., Zhang L., Niu Y. (2024a). Forgelens: data-efficient forgery focus for generalizable forgery image detection. arXiv. [Google Scholar].
  6. Chen Y., Zhang L., Niu Y. (2024b). Guided and fused: efficient frozen CLIP-ViT with feature guidance and multi-stage feature fusion for generalizable deepfake detection. arXiv. [Google Scholar].
  7. Chollet F. (2017). Xception: Deep learning with depthwise separable convolutions: CVPR, 1800-1807. [Google Scholar].
  8. Chuk-Ke C., Dong Y. (2024). Misinformation and literacies in the era of generative artificial intelligence: a brief overview and a call for future research. Emerg. Media 2, 70-85. doi: 10.1177/27523543241240285 [DOI] [Google Scholar]. doi:10.1177/27523543241240285.
  9. Devlin J., Chang M. W., Lee K., Toutanova K. (2019). BERT: pre-training of deep bidirectional transformers for language understanding. NAACL. 417, 4171-4186. doi: 10.18653/v1/N19-1423 [DOI] [Google Scholar]. doi:10.18653/v1/N19-1423.
  10. Dolhansky B., Howes R., Pflaum B., Baram N., Ferrer C. C. (2019). The DeepFake detection challenge dataset. arXiv. [Google Scholar].
  11. Donahue C., McAuley J., Puckette M. (2019). WaveGAN: spectral audio synthesis with generative adversarial networks. arXiv. [Google Scholar].
  12. European Parliament and Council of the European Union (EU DSA) (2022). Regulation (EU) 2022/2065 on a single market for digital services: Official Journal of the European Union. [Google Scholar].
  13. European Parliament and Council of the European Union (EU AI Act) (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence: Official Journal of the European Union. [Google Scholar].
  14. Goodfellow I., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S., et al. (2014). “Generative adversarial nets” in Advances in neural information processing systems. Eds. J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, Y. Bengio, vol. 27. [Google Scholar].
  15. Exploring autonomous methods for deepfake detection: A detailed survey on techniques and evaluation – PMC. Heliyon. DOI: 10.1016/j.heliyon.2025.e42273 · PMID: 39968137.
  16. 1.Karnouskos S. Artificial intelligence in digital media: the era of deepfakes. IEEE Transactions on Technology and Society. 2020;1(3):138-147. doi: 10.1109/TTS.2020.3001312. [DOI] [Google Scholar]. doi:10.1109/TTS.2020.3001312.
  17. 2.Sunil R., Mer P., Diwan A. 2023 Seventh International Conference on Image Information Processing (ICIIP) 2023. Autonomous detection and evaluation of deepfakes: a comprehensive study; pp. 35-40. [DOI] [Google Scholar].
  18. 3.Diwan A., Kumar D., Mahadeva R., Perera H.C.S., Alawatugoda J. Unveiling copy-move forgeries: enhancing detection with superpoint keypoint architecture. IEEE Access. 2023;11:86132-86148. doi: 10.1109/ACCESS.2023.3304728. [DOI] [Google Scholar]. doi:10.1109/ACCESS.2023.3304728.
  19. 4.Ai J., Wang Z., Huang B., Han Z. 2023 InternaTional Joint Conference on Neural Networks (IJCNN) 2023. Deepreversion: reversely inferring the original face from the deepfake face; pp. 1-7. [DOI] [Google Scholar].
  20. aiwongyen A., Songsriboonsit N., Duangpummet S., Karnjana J., Kongprawechnon W., Unoki M. 2022 Asia-Pacific Signal and InforMation Processing Association Annual Summit and Conference (APSIPA ASC) 2022. Contribution of timbre and shimmer features to deepfake speech detection; pp. 97-103. [DOI] [Google Scholar].
  21. 6.Hou Y., Guo Q., Huang Y., Xie X., Ma L., Zhao J. 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. CVPR); 2023. Evading deepfake detectors via adversarial statistical consistency; pp. 12271-12280. [DOI] [Google Scholar].
  22. 7.Qais A., Rastogi A., Saxena A., Rana A., Sinha D. 2022 International Conference on Intelligent Controller and Computing for Smart Power. ICICCSP); 2022. Deepfake audio detection with neural networks using audio features; pp. 1-6. [DOI] [Google Scholar].
  23. 8.Pu M., Kuan M.Y., Lim N.T., Chong C.Y., Lim M.K. IEEE/ACM 7th International Workshop on Metamorphic Testing. MET); 2022. Fairness evaluation in deepfake detection models using metamorphic testing; pp. 7-14. 2022. [DOI] [Google Scholar].
  24. 9.Sung C.-S., Chen J.-C., Chen C.-S. ICASSP 2023 – 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) 2023. Hearing and seeing abnormality: self-supervised audio visual mutual learning for deepfake detection; pp. 1-5. [DOI] [Google Scholar].
  25. 10.Zou B., Yang C., Guan J., Quan C., Zhao Y. 2023 IEEE International Conference on Multimedia and Expo (ICME) 2023. Dfcp: few-shot deepfake detection via contrastive pretraining; pp. 2303-2308. [DOI] [Google Scholar].
  26. 11.Ling H., Huang J., Zhao C., Yao Y., Chen J., Li P. 2021 International Joint Conference on Neural Networks (IJCNN) 2021. Learning diverse local patterns for deepfake detection with image-level supervision; pp. 1-7. [DOI] [Google Scholar].
  27. 12.Huang Y., Luo Z., Zhang M., Liu W., Li S. 2021 11th International Conference on Information Technology in Medicine and Education (ITME) 2021. Df-vlad: deepfake video detection based on feature aggregation; pp. 91-95. [DOI] [Google Scholar].
  28. Deepfake: definitions, performance metrics and standards, datasets, and a meta-review – PMC. Frontiers in big data. DOI: 10.3389/fdata.2024.1400024 · PMID: 39296632.
  29. Afchar D., Nozick V., Yamagishi J., Echizen I. (2018). “MesoNet: a compact facial video forgery detection network,” in Proceedings of the 2018 IEEE International Workshop on Information Forensics and Security (IEEE: ), 1-7. 10.1109/WIFS.2018.8630761 [DOI] [Google Scholar]. doi:10.1109/WIFS.2018.8630761.
  30. Ajder H., Patrini G., Cavalli F., Cullen L. (2019). The state of deepfakes: Landscape, threats, and impact. Technical report, Deeptrace. Available at: (accessed March, 2024).
  31. Akhtar Z., Falk T. H. (2017). Audio-visual multimedia quality assessment: a comprehensive survey. IEEE Access 5, 21090-21117. 10.1109/ACCESS.2017.2750918 [DOI] [Google Scholar]. doi:10.1109/ACCESS.2017.2750918.
  32. Alshammari H., EI-Sayed A. (2023b). AIRABIC: Arabic dataset for performance evaluation of ai detectors. GitHub dataset. Available at: (accessed July, 2024)..
  33. Alshammari H., Sayed A. (2023a). AIRABIC: Arabic dataset for performance evaluation of ai detectors,” in Proceedings of the 2023 International Conference on Machine Learning and Applications (ICMLA) (IEEE), 864-870. 10.1109/ICMLA58977.2023.00127 [DOI] [Google Scholar]. doi:10.1109/ICMLA58977.2023.00127.
  34. Ba Z., Wen Q., Cheng P., Wang Y., Lin F., Lu L., et al. (2023a). DEepfake CROss-lingual (DECRO) evaluation dataset. GitHub dataset. Available at: (accessed March, 2024).
  35. Ba Z., Wen Q., Cheng P., Wang Y., Lin F., Lu L., et al. (2023b). Transferring audio deepfake detection capability across languages,” in Proceedings of the ACM Web Conference 2023 (ACM), 2033-2044. 10.1145/3543507.3583222 [DOI] [Google Scholar]. doi:10.1145/3543507.3583222.
  36. Bandi A., Adapa P. V. S. R., Kuchi Y. E. V. P. K. (2023). The power of generative AI: A review of requirements, models, input-output formats, evaluation metrics, and challenges. Fut. Internet 15:260. 10.3390/fi15080260 [DOI] [Google Scholar]. doi:10.3390/fi15080260.
  37. Brady M. (2020). Deepfakes: a new desinformation threat? Technical report, Democracy Reporting International. Available at: (accessed March, 2024).
  38. Cai Z., Ghosh S., Adatia A. P., Hayat M., Dhall A., Stefanov K. (2023a). AV-Deepfake1M: A large-scale LLM-driven audio-visual deepfake dataset. arXiv:2311.15308. [Google Scholar].
  39. Cai Z., Ghosh S., Adatia A. P., Hayat M., Dhall A., Stefanov K. (2023b). AV-Deepfake1M: a large-scale LLM-driven audio-visual deepfake dataset. GitHub dataset. Available at: (accessed July, 2024)..
  40. Chefer H., Alaluf Y., Vinker Y., Wolf L., Cohen-Or D. (2023). Attend-and-Excite: attention-based semantic guidance for text-to-image diffusion models. ACM Trans. Graph. 42, 1-10. 10.1145/3592116 [DOI] [Google Scholar]. doi:10.1145/3592116.
  41. Multimodal transformer-based watermarking for deepfake detection and digital media authentication: current progress, challenges, and future directions – PMC. Frontiers in artificial intelligence. DOI: 10.3389/frai.2026.1848963 · PMID: 42523792.
  42. Bal S., Nayak M., Sarkar S. (2018). On the implementation of a secured watermarking mechanism based on cryptography and bit pairs matching. J. King Saud Univ. Comput. Inf. Sci. 33, 552-561. doi: 10.1016/j.jksuci.2018.04.006 [DOI] [Google Scholar]. doi:10.1016/j.jksuci.2018.04.006.
  43. Barni M., Bartolini F., Piva A. (2001). Improved wavelet-based watermarking through pixel-wise masking. IEEE Trans. Image Process. 10, 783-791. doi: 10.1109/83.918570 [DOI] [PubMed] [Google Scholar]. doi:10.1109/83.918570.
  44. Barrington S., Bohacek M., Farid H. (2026). “The deepspeak dataset,” in Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (Colorado: ), 1893-1902. [Google Scholar].
  45. Bertasius G., Wang H., Torresani L. (2021). “Is space-time attention all you need for video understanding?,” in Proceedings of the 38th international conference on machine learning, PMLR 139 (Online Conference: ), 813-824. [Google Scholar].
  46. Cai Z., Ghosh S., Dhall A., Gedeon T., Stefanov K., Hayat M. (2023). Glitch in the matrix: a large scale benchmark for content driven audio-visual forgery detection and localization. Comput. Vis. Image Underst. 236:103818. doi: 10.1016/j.cviu.2023.103818 [DOI] [Google Scholar]. doi:10.1016/j.cviu.2023.103818.
  47. Cedillo-Hernandez A., Velazquez-Garcia L., Cedillo-Hernandez M. (2026). A lightweight deep learning framework for robust video watermarking in adversarial environments. Eng. Proc. 123:25. doi: 10.3390/engproc2026123025 [DOI] [Google Scholar]. doi:10.3390/engproc2026123025.
  48. Chandra N. A., Lee H., Murtfeldt R., Qiu L., Karmakar A., Tanumihardja E., et al. (2026). “Deepfake-eval-2024: a multi-modal in-the-wild benchmark of deepfakes circulated in 2024,” in Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (Colorado: ), 10668-10678. [Google Scholar].
  49. Chen W., Li Y. (2024). Rowsformer: a robust watermarking framework with swin transformer for enhanced geometric attack resilience. arXiv [Preprint]. arXiv:2409.14829. Available online at: (Accessed March 13, 2026)..
  50. Cui J., Du J., Li Y., Gao L., Jiang H., Bao C. (2025). “Hamlet-FFD: hierarchical adaptive multi-modal learning embeddings transformation for face forgery detection,” in Proceedings of the 33rd ACM international conference on multimedia (Dublin Ireland: ), 1327-1336. doi: 10.1145/3746027.3755137 [DOI] [Google Scholar]. doi:10.1145/3746027.3755137.
  51. Dolhansky B., Bitton B., Pflaum B., Lu J., Howes R., Wang M., et al. (2020). The deepfake detection challenge dataset. arXiv [Preprint]. arXiv:2006.07397. Available online at: (Accessed March 24, 2026)..
  52. Dolhansky B., Howes R., Pflaum B., Baram N., Ferrer C. C. (2019). The deepfake detection challenge (DFDC) preview dataset. arXiv [Preprint]. arXiv:1910.08854. Available online at: (Accessed February 27, 2026)..
  53. Fang H., Jia Z., Qiu Y., Zhang J., Zhang W., Chang E.-C. (2022). De-end: decoder-driven watermarking network. IEEE Trans. Multimed. 25, 7571-7581. doi: 10.1109/TMM.2022.3223559 [DOI] [Google Scholar]. doi:10.1109/TMM.2022.3223559.
  54. Jeremy Gray. Man Faces Up to 10 Years In Prison After Sharing AI Image of a Crocodile. 2026.
  55. Criminalisation of the Creation or Possession of Sexually Explicit Deepfake Images and Videos | Ministry of Home Affairs.
  56. Reports and enforcement actions involving AI-generated deepfake content impersonating public figures, businesses or government agencies | Ministry of Home Affairs.

Articles relatifs:

Sommaire

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *