Sur 30 smartphones, l’empreinte du capteur photo n’est pas effacée

Chaque smartphone laisse dans ses photos une trace de son propre capteur, et les traitements logiciels des modèles récents, accusés depuis cinq ans de la brouiller, ne la font pas disparaître : ils la recouvrent d’un bruit commun à tous les appareils du même modèle. C’est la conclusion d’une prépublication déposée sur arXiv le 18 octobre, donc pas encore relue par des pairs, signée par six chercheurs de l’ENS Paris-Saclay (Centre Borelli, CNRS), de Télécom Paris, de l’Agence ministérielle pour l’IA de défense et de l’université de la République, en Uruguay. Leur résultat intéresse les enquêteurs qui cherchent à savoir quel téléphone a pris une image, et tous ceux qui croient qu’effacer les métadonnées d’une photo suffit à la rendre anonyme.

Une signature dans les pixels

Un capteur photo est une mosaïque de millions de cellules qui convertissent la lumière en signal électrique. À cause d’infimes défauts de fabrication, chacune réagit avec un léger écart, toujours le même : un pixel surestime un peu la lumière reçue, son voisin la sous-estime. Ces écarts sont « propres à chaque pixel, constants dans le temps et d’une image à l’autre », rappellent les auteurs, et forment « une empreinte distincte du capteur ». Les spécialistes l’appellent PRNU (Photo Response Non-Uniformity, non-uniformité de la réponse à la lumière).

La méthode a été décrite en 2006 par Jan Lukáš, Jessica Fridrich et Miroslav Goljan, de l’université de Binghamton (État de New York), dans un article de la revue IEEE Transactions on Information Forensics and Security. On calcule l’empreinte d’un appareil en moyennant le « bruit » de plusieurs photos de référence, c’est-à-dire ce qui reste quand on retire de l’image sa version débruitée ; on cherche ensuite si cette empreinte se retrouve dans la photo examinée. Le brevet tiré de ces travaux y voit « l’équivalent numérique des rayures » qu’un canon d’arme laisse sur une balle, et la dit « très robuste » à la compression JPEG, au redimensionnement et aux retouches courantes.

Surtout, elle ne dépend pas des informations jointes au fichier. Les données EXIF (marque, modèle, date, parfois position GPS) peuvent, note le même brevet, être « facilement modifiées par un attaquant » ou « perdues » au cours du traitement de l’image. L’empreinte, elle, est dans les pixels. D’après Massimo Iuliani, Marco Fontani et Alessandro Piva, elle « trouve un usage réel et étendu par les forces de l’ordre dans le monde ».

Le doute né en 2021

Ce sont ces trois chercheurs qui ont semé le doute. Dans un article publié en 2021 dans IEEE Access, ils ont testé la méthode sur plus de 33 000 photos tirées de Flickr, issues de 45 modèles de smartphones et de 25 modèles d’appareils reflex. Résultat : des photos prises par deux exemplaires différents d’un même modèle se ressemblaient trop, d’où des taux de fausses alertes élevés. Samsung et Huawei, mais aussi Canon, Nikon, Fujifilm, Sigma et Leica étaient « fortement touchés ». Les auteurs désignaient une cause possible, la photographie dite computationnelle : les appareils récents fusionnent plusieurs prises, débruitent et retouchent chaque cliché par logiciel, ce qui peut introduire des « artefacts non uniques », une trace partagée par tous les exemplaires. Ils n’en avaient pas établi l’origine exacte et présentaient leur article comme « un appel à l’action pour la communauté scientifique ».

Retrancher ce que partagent les jumeaux

L’équipe française a repris la question avec 30 smartphones récents : des Pixel 10 Pro et Pro XL de Google, des Galaxy S25 Ultra de Samsung sous trois versions logicielles, des iPhone 17 Pro Max d’Apple sous iOS 26.0.1, 26.1 et 26.2. Pour chaque appareil, 40 photos prises en mode par défaut, sans zoom numérique : 20 pour calculer l’empreinte, 20 pour la tester, soit 1 200 images. Les auteurs les ont retenues, parmi 37 765, en s’appuyant sur les métadonnées pour ne garder que des photos au traitement identique ; l’article indique qu’elles proviennent de « 10 utilisateurs distincts » par modèle, sans préciser comment elles ont été recueillies.

Avec le score de comparaison classique, le constat de 2021 se confirme. Les auteurs ont fixé le seuil de décision de sorte que 5 % des comparaisons avec un mauvais appareil le franchissent (cinq fausses alertes sur cent). À ce niveau, seules 11,2 % des photos d’iPhone 17 Pro Max sous iOS 26.1 étaient rattachées à leur vrai téléphone. Les distributions des bons et des mauvais scores se chevauchent tant, sur l’iPhone, que fixer un seuil « est inefficace ».

Leur idée est empruntée à la reconnaissance du locuteur, où l’on compare une voix aux autres voix connues avant de conclure. Pour chaque photo, ils mesurent sa ressemblance avec l’empreinte de chaque téléphone candidat, puis retranchent la ressemblance moyenne avec les autres exemplaires du même modèle et de la même version logicielle. Ce qui est commun à tous les jumeaux s’annule ; reste ce qui distingue le bon. Le taux de bonnes attributions grimpe alors à 93,8 % pour iOS 26.1 et 90 % pour iOS 26.2, toujours avec 5 % de fausses alertes. Les gains sont plus modestes chez Google et Samsung, où le score classique fonctionnait déjà un peu mieux.

Part des photos rattachées au bon appareil quand 5 % des comparaisons avec un autre exemplaire donnent une fausse alerte. Source : tableau 3 de la prépublication arXiv:2610.25438.

D’où la formule des auteurs : la composante partagée « masque » l’empreinte propre à l’appareil, « mais ne l’efface pas ».

Trente téléphones, et une méthode qui n’est pas prête

Les chercheurs alignent eux-mêmes les réserves. Leur jeu de données compte « au plus six appareils » par couple modèle-version, et parfois deux seulement, ce qui « limite la fermeté des conclusions ». Le taux de 5 % de fausses alertes a été choisi faute de mieux : il est « trop élevé pour des applications criminalistiques opérationnelles », mais certains groupes ne comptent que 40 comparaisons avec un mauvais appareil, trop peu pour mesurer de façon fiable à un seuil plus exigeant.

La correction elle-même a une faiblesse de principe : elle suppose que le vrai téléphone figure parmi les candidats, et son résultat change quand on change cette liste. Or une expertise demande en général de répondre à une question simple (cette photo vient-elle de ce téléphone ?) avec un seuil stable. La méthode n’est donc « pas encore adaptée à des cas réels sous sa forme actuelle », écrivent les auteurs. Restent ouvertes la taille du groupe de comparaison nécessaire et la tenue de la méthode sur les photos de nuit, en mode portrait ou zoomées, qui n’ont pas été testées.

Ce que cela dit de l’anonymat d’une photo

Pour la criminalistique, l’enjeu est concret : identifier l’appareil source peut « établir l’origine d’images présentées comme preuves », soulignait déjà le brevet de 2010, et la méthode n’avait plus, sur les smartphones récents, la fiabilité qu’on lui prêtait. Le premier auteur, Benjamin Loison, et Thibaud Ehret sont rattachés à l’Agence ministérielle pour l’IA de défense (AMIAD), annoncée en mars 2024 par le ministère des Armées pour « permettre à la France de maîtriser souverainement ces technologies » ; l’article ne dit rien d’un usage prévu par l’agence.

Pour qui publie des photos sans vouloir être reconnu, source d’un journaliste ou lanceur d’alerte, l’étude n’aborde pas la question, mais le principe même de la méthode y répond : retirer les métadonnées efface la marque et le modèle déclarés, pas la trace du capteur. Ses résultats n’en font pas pour autant une menace immédiate. Pour rattacher une photo à un téléphone précis, il faut disposer de photos de référence prises avec ce téléphone (20 par appareil dans l’étude) et, avec la méthode proposée, de photos d’autres exemplaires du même modèle et de la même version logicielle. Il faut aussi connaître ce modèle et cette version, que les chercheurs ont lus dans les métadonnées : déterminer l’un et l’autre sans elles est la première des questions qu’ils laissent ouvertes.

Les citations de la prépublication, de l’article d’Iuliani et de ses coauteurs et du brevet de Fridrich, Goljan et Lukáš sont traduites de l’anglais par la rédaction.