May, 2017

用于潜在指纹重建的生成卷积网络

PDF
TL;DR利用生成卷积网络对指纹进行去噪和缺失图案预测的方法，作为指纹识别前的预处理步骤，能够显著降低 false positive 和 false negative 检测率，并可与多种标准特征提取方法结合使用，如 MINDTCT，MCC，BOZORTH3 等，本方法在使用不同传感器捕获的多个公开指纹数据集上进行了测试。
fingerprint recognitionminutiae points extractionfingerprint enhancementgenerative convolutional networksbiometric comparison
发现论文，激发创造
  • FingerGAN: 一种基于约束的指纹生成方案，用于潜在指纹增强

    本文提出一种名为 FingerGAN 的基于生成对抗网络（GAN）框架下的潜在指纹增强方法，并通过两个公共潜在指纹数据库的实验结果表明其性能显著优于现有最优方法。

    Jun, 2022

  • FingerNet：用于指纹细节提取的统一深度网络

    本文提出一种基于深度学习卷积神经网络的指纹细节提取新方法， 包含了传统方法的优点，并集成在一个统一的网络中，改善了涉及复杂背景噪声的潜在指纹提取。实验表明该算法优于现有的指纹细节提取算法。

    Sep, 2017

  • U-Finger: 多尺度扩张卷积网络用于指纹图像去噪和修复

    本文介绍了一种多尺度卷积网络 ——U-Finger，用于指纹图像去噪和修复，通过使用膨胀卷积和去除填充等方法，在保留细节纹理的同时消除了复杂的伪影，并在 ECCV 2018 Chalearn LAP Inpainting 比赛中取得了第二名的好成绩。

    Jul, 2018

  • 基于 M-Net 卷积神经网络的指纹图像去噪和修复

    使用端到端可训练的卷积神经网络 FPD-M-net，将指纹去噪和修复问题作为分割任务，以结构相似度损失函数为基础，从噪声背景中更好地提取指纹，并在 Chalearn LAP 修复竞赛的第三轨道中排名第 3。

    Dec, 2018

  • Finger-GAN: 利用连通性限制的 GAN 生成逼真指纹图像

    本研究提出了一种基于 GAN 的机器学习框架，能够通过先前训练的先验分布来生成指纹图像。在 loss 函数中添加合适的正则化项以实现指纹图像的连通性，在两个流行的指纹数据库中进行实验，结果表明模型能够生成非常逼真且类似于样本的指纹图像，并且具有良好的分布不同性。该模型的 FID 分数也能够取得良好的量化表现。

    Dec, 2018

  • RFDforFin：对 GAN 生成的指纹图像的鲁棒深度伪造检测

    我们提出了首个用于指纹图像的深度伪造检测方法，结合了指纹的唯一脊线特征和 GAN 生成图像的生成痕迹特征，通过二分类（真实或伪造）将二者结合起来，实验结果表明这种方法具有低复杂度和较好的有效性。

    Aug, 2023

  • 融合细节点圆柱码和细节点修饰嵌入的潜指纹识别

    通过融合手工特征和深度神经网络嵌入特征的多层次融合方法，提出的方法在潜在指纹识别中显著提高了真实数据集的排名 - 1 识别准确率。

    Mar, 2024

  • Finger-UNet：一种基于 U-Net 的深度指纹增强多任务架构

    研究通过改进编码器 - 解码器风格架构，使用离散小波变换和多任务学习提高指纹识别和增强技术。

    Oct, 2023

  • 加速指纹增强：一种 GPU 优化的混合架构方法

    通过 Unet 架构指导，利用混合的深层网络结构增强潜在指纹的细节特征，其中包括使用 Resnet-101 网络和 Unet 编码器的潜力组合，补充了注意力机制和前向跳跃的传输连接。通过创新的指纹增强 Gabor 层，使其在 GPU 计算机上具有更好的可用性和加速性，但仍需进一步的实验验证以确定其在潜在指纹增强领域的可靠性和可用性。

    Jun, 2023

  • 增强驱动的预训练对鲁棒指纹表示学习的提升

    通过基于增强预训练的独特方法，我们提出了一种强大的指纹识别方法，通过专门的编码器从指纹图像中以自我监督的方式获取表示，并通过改进提高了验证性能。实验证明，我们的方法有效，无需依赖增强样本即可从退化图像中提取有意义的指纹表示。

    Feb, 2024