我们通过嵌入人工指纹到生成对抗网络的训练数据中，展示了指纹从训练数据中转移到生成模型的惊人传递性，并证明此解决方案对多种诸如深度伪造检测和归属等任务都有效，且鲁棒性强。

Jul, 2020

本文研究了使用潜在语义维度作为指纹的方法，以分析设计变量对准确性和质量之间的权衡的影响。与当前 SOTA 相比，我们的方法需要最少的计算量，并且更适用于大规模模型。我们使用 StyleGAN2 和潜在扩散模型来证明我们的方法的有效性。

Apr, 2023

本文提出了一种通过设计对抗方法搜索解剖指纹（如医疗设备或皮肤艺术）来估计重现可识别训练图像的概率上限的方法，利用学习到的基于分数的模型估计可能用于一对一复制训练样本的分数函数子空间的概率，结果表明，如果模型没有小心训练，则在采样时会复制侵犯隐私的图像。

Jun, 2023

评估生成式机器学习模型在身份保护方面的漏洞，并通过设计和测试一种身份推断攻击来验证其有效性。实验结果表明，该解决方案在不同配置下都有效，并且可以轻松扩展到其他生物测量数据集。

Jun, 2024

通过学习生成模型留下来的残留特征作为身份信息，进一步确定人工指纹的表示的生成模型，并提出了基于集合编码和对比训练的新学习方法，通过与最先进的指纹方法的比较和消融研究，得到了稳定性和可归属性的改进。

Jun, 2022

生成模型的指纹对于区分不同类型的合成图像并帮助识别潜在生成过程的效果具有显著提升，同时指纹的结构能够预测不同设计选择对生成过程的影响。

Feb, 2024

我们提出了 PrintsGAN，这是一种合成指纹生成器，能够为给定的指纹生成独特的指纹和多个印象。使用 PrintsGAN，我们合成了一个由 525k 个指纹（包括 15 个印象的 35k 个不同手指）组成的数据库，利用该数据库，我们训练了一个深度网络，从指纹中提取了一个固定长度的嵌入，这在真实情况下是非常困难的。

Jan, 2022

使用合成数据进行指纹识别的研究已经引起了广泛关注，因为它具有减轻围绕敏感生物特征数据的隐私问题的潜力。为了解决这个挑战，我们提出了 GenPrint，一个可以生成各种类型指纹图像并保持身份的框架，可以对指纹类别、采集类型、传感器设备和质量级别等不同外观因素进行人类可理解的控制。

Apr, 2024

本文提出了一种新的模型指纹技术，将唯一标识符印刷到生成内容中，以追溯图像的生成者，即模型的责任人，并在不影响生成内容质量的情况下，在 Text-to-Image（T2I）任务中将微调纳入其中；通过对 Stable Diffusion 模型进行大量评估，本方法为模型分发和负责任使用提供了一种有前途的新途径。

Jun, 2023

本研究提出了一种基于生成对抗网络（GAN）生成自然指纹的方案，并在决策差异区域而不是决策边界上嵌入这些指纹以提高鲁棒性。实验证明该方案在四种不同的模型攻击测试中表现出色，超过 MetaV 的最优基准线约 17％。

May, 2023