Introduction : l’enjeu du format DNG
Le format Digital Negative (DNG) est devenu la norme pour archiver les images RAW tout en assurant une compatibilité universelle. Adobe, pionnier de ce standard, propose un convertisseur propriétaire qui transforme les fichiers bruts des appareils photo en fichiers DNG compressés.
Ce convertisseur reste une boîte noire : son code source n’est pas publié, et quiconque ne possède pas le logiciel ne peut voir comment les métadonnées sont traitées ou comment la compression est appliquée. Cette opaqueur a motivé certains développeurs à tenter de reproduire l’algorithme en utilisant des modèles d’apprentissage automatique.
Le défi technique : reproduire un algorithme propriétaire
L’objectif était simple mais ambitieux : créer une version open source du convertisseur DNG qui soit compatible avec le validateur officiel d’Adobe et, idéalement, plus performante. Pour cela, l’équipe a exploité GLM‑5.3‑Flash, un modèle de langage multimodal doté de 320 milliards de paramètres.
Après deux heures de travail, le modèle avait généré un prototype Python capable de transformer les fichiers ARW (RAW d’Canon) en DNG. La taille des fichiers résultants était déjà inférieure à celle produite par Adobe, ce qui a déclenché la phase suivante : réimplémentation en Rust.
La réimplémentation Rust : rapidité et fiabilité
Le passage au langage Rust a permis d’obtenir un exécutable plus léger et sécurisé. En moins de quatre heures, le code source comprenait 13 fichiers, 2 900 lignes, une interface en ligne de commande batch, une vérification automatique des sorties et même une interface graphique drag‑and‑drop.
Chaque fichier DNG produit a été soumis au validateur d’Adobe : il a passé tous les tests, décodé en images pixel‑identiques aux sources ARW originales, et était 0,95 % plus petit que le convertisseur propriétaire. Ces résultats ont confirmé la précision de l’algorithme reproduit.
Comparaison des performances : vitesse, taille et compatibilité
En termes de vitesse, le convertisseur Rust atteint une moyenne de 1,8 fois plus rapide que le logiciel d’origine sur un même matériel. La compression supplémentaire réduit l’espace disque nécessaire pour les archives photographiques.
L’adhésion à la spécification DNG garantit que les fichiers restent compatibles avec toutes les applications photo professionnelles, tandis que la transparence du code source permet aux développeurs de personnaliser ou d’étendre le convertisseur selon leurs besoins spécifiques.
Impact sur la communauté photographique et open source
Ce projet démontre qu’un LLM peut être utilisé pour reverse‑engineer des logiciels propriétaires, ouvrant la voie à une plus grande liberté dans le traitement des données numériques. Les photographes indépendants peuvent désormais disposer d’une alternative gratuite et modifiable.
Réactions de l’industrie
Adobe a exprimé son intérêt mais n’a pas annoncé de mise à jour officielle en réponse à cette initiative. D’autres entreprises du secteur, comme Capture One ou DxO, ont déjà commencé à explorer des solutions similaires.
Conclusion : vers un avenir plus ouvert pour le format DNG
L’initiative d’un LLM open source pour reproduire et améliorer le convertisseur DNG d’Adobe montre que la collaboration entre intelligence artificielle et communauté peut produire des outils puissants, transparents et performants. En adoptant ces solutions, les photographes gagneront en autonomie tout en conservant la qualité de leurs archives.
« La vraie innovation vient quand on libère le code et qu’on permet à chacun d’y contribuer » – citation anonyme
