Generativní modely jako Midjourney, DALL·E nebo Stable Diffusion jsou čím dál přesvědčivější, ale i tak po sobě obvykle zanechávají stopy – jak na první pohled viditelné, tak skryté v datech souboru. Tenhle přehled shrnuje, čeho si všímat pouhým okem a co za tebe automaticky zkontroluje Photo Validator.

Vizuální indicie – co si všímat pouhým okem

Ruce a prsty. Ruce jsou pořád nejslabší místo generativních modelů. Hledej příliš mnoho nebo málo prstů, prsty srostlé dohromady, nepřirozeně pokroucené klouby nebo ruce, které fyzicky nedávají smysl vzhledem k tomu, co drží.

Text a nápisy v obraze. Cedule, trička, klávesnice nebo etikety s textem bývají zkomolené – písmena, která nedávají smysl, náhodně se opakují, nebo vypadají jako z jiné abecedy. Rozostřený text sám o sobě nic neznamená, ale zkomolený a nesmyslný ano.

Opakující se vzory. Dlaždice, cihly, listy stromu nebo vlasy – generativní modely mají tendenci nekonzistentně opakovat drobné vzory, které v realitě vypadají náhodněji. Podívej se, jestli se stejný detail nevrací identicky na více místech fotky.

Světlo a stíny. Zkontroluj, jestli stíny všech objektů na fotce míří stejným směrem a odpovídají jednomu zdroji světla. Nekonzistentní osvětlení, chybějící odrazy v zrcadlech nebo skle a stíny, které neodpovídají tvaru objektu, jsou častým tellem.

Kůže a textury. AI fotky lidí mívají nepřirozeně hladkou pleť bez pórů, nebo naopak texturu, která je „moc dokonalá" a plastická. Podobně to platí pro látky, srst zvířat nebo povrch materiálů – něco, co by mělo mít nepravidelnou strukturu, působí uměle uniformně.

Detaily v pozadí. Architektura, která nedává smysl (schody nikam nevedoucí, okna v nemožných místech), zkreslené linie u okrajů širokoúhlých záběrů nebo lidé a předměty v pozadí s pokřivenou anatomií – pozadí bývá tam, kde model „šetří" pozornost nejvíc.

Technické indicie – co appka zkontroluje za tebe

Chybějící nebo podezřelá EXIF metadata. Reálná fotka z fotoaparátu nebo mobilu obvykle nese metadata o výrobci, expozici a často i GPS poloze. Úplná absence těchto dat, nebo naopak data, která si vzájemně odporují, je varovný signál – i když sama o sobě nic nedokazuje, protože metadata jde snadno smazat i u reálné fotky.

C2PA a Content Credentials. Čím dál víc fotoaparátů, editorů (Photoshop) i generativních nástrojů zapisuje do souboru kryptograficky podepsaný „štítek původu" podle otevřeného standardu C2PA – pod spotřebitelskou značkou Content Credentials. Pokud fotka tenhle štítek nese, dá se z něj přímo vyčíst, jak vznikla. Víc se dočteš v článku o C2PA a Content Credentials.

Pixelová forenzní analýza. Kromě viditelných indicií existuje řada technik, které pouhým okem neuvidíš – analýza šumu snímače, komprese (Error Level Analysis), frekvenčního spektra nebo detekce klonování a inpaintingu. Právě tyhle metody spolu s ML klasifikátorem a kontrolou metadat tvoří jádro toho, jak Photo Validator vyhodnocuje fotky.

Jak si to rychle ověřit

Žádná z výše uvedených indicií sama o sobě nic nedokazuje – i reálné fotky mívají neobvyklé stíny nebo chybějící metadata, a čím dál lepší modely dokážou i ruce zvládnout správně. Spolehlivější je kombinace víc signálů najednou, ideálně automatizovaná. Přesně to dělá Photo Validator – nahraješ fotku a do pár vteřin dostaneš rozbor podle desítek nezávislých forenzních a technických signálů, ne jen jedno číslo.

Generative models like Midjourney, DALL·E, and Stable Diffusion keep getting more convincing, but they still tend to leave traces behind – some visible at a glance, others hidden in the file's data. This guide covers what to look for with your own eyes, and what Photo Validator checks automatically.

Visual tells – what to look for with the naked eye

Hands and fingers. Hands remain the weakest spot for generative models. Look for too many or too few fingers, fingers fused together, unnaturally bent joints, or hands that don't physically make sense given what they're holding.

Text and signage in the image. Signs, t-shirts, keyboards, or labels with text tend to come out garbled – letters that don't form real words, repeat randomly, or look like they belong to a different alphabet. Blurry text alone means nothing; garbled, nonsensical text does.

Repeating patterns. Tiles, bricks, leaves, or hair – generative models tend to repeat small patterns inconsistently in ways that look too regular compared to reality. Check whether the exact same detail reappears identically in multiple spots in the photo.

Lighting and shadows. Check whether every shadow in the photo points in the same direction and matches a single light source. Inconsistent lighting, missing reflections in mirrors or glass, and shadows that don't match an object's shape are a common tell.

Skin and texture. AI photos of people often have unnaturally smooth, pore-less skin, or the opposite - texture that's "too perfect" and plastic-looking. The same applies to fabric, animal fur, or material surfaces - something that should have irregular structure instead looks artificially uniform.

Background details. Architecture that doesn't make sense (stairs leading nowhere, windows in impossible places), warped lines near the edges of wide shots, or people and objects in the background with distorted anatomy - the background is usually where a model's attention runs thinnest.

Technical tells – what the app checks for you

Missing or suspicious EXIF metadata. A real photo from a camera or phone usually carries metadata about the make, exposure settings, and often GPS location. A total absence of that data, or data that contradicts itself, is a warning sign - though not proof on its own, since metadata can easily be stripped from a real photo too.

C2PA and Content Credentials. More and more cameras, editors (Photoshop), and generative tools write a cryptographically signed "provenance label" into the file under the open C2PA standard - branded to consumers as Content Credentials. When a photo carries this label, it can tell you directly how the image was created. Read more in the article on C2PA and Content Credentials.

Pixel-level forensic analysis. Beyond the visible tells, there's a whole set of techniques you can't see with the naked eye – sensor noise analysis, compression analysis (Error Level Analysis), frequency spectrum analysis, and clone/inpainting detection. These methods, combined with an ML classifier and metadata checks, are the core of how Photo Validator evaluates photos.

How to check quickly

None of the tells above prove anything on their own - real photos can have unusual shadows or missing metadata too, and newer models are getting hands right more often. A combination of multiple signals at once, ideally automated, is far more reliable. That's exactly what Photo Validator does - upload a photo and get a breakdown across dozens of independent forensic and technical signals within seconds, not just a single number.