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

使用合成数据训练指纹识别模型最近在生物特征学界引起了广泛关注，因为它减少了对敏感个人数据的依赖。我们提出了一种身份保留图像生成框架 FPGAN-Control，它能够控制生成指纹的图像外观，包括指纹类型、采集设备和压力水平等方面。我们实验证明了 FPGAN-Control 在身份保留水平、外观控制程度以及合成到真实数据领域差距方面的优点。据我们所知，这是首次证明只使用 FPGAN-Control 生成的合成数据进行训练可以达到甚至超过使用真实数据训练的模型的识别准确性。

Oct, 2023

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

我们提出了一种名为 GanFinger 的网络指纹方法，通过基于网络行为的网络输出对的原始示例和可转让的对抗示例来构建网络指纹，并利用生成对抗网络（GANs）有效生成具有察觉不到的扰动的可转让的对抗示例，从而在版权和盗版网络上产生相同的输出而在无关网络上产生不同的结果。对 GanFinger 的性能评估表明，在效率、隐蔽性和可辨识性方面都显著优于现有技术，其中指纹生成速度提高了 6.57 倍，ARUC 值提升了 0.175，相对改进约为 26%。

Dec, 2023

利用扩散概率模型介绍了一种新的手掌纹理生成方法，并开发了一个端到端框架来合成多个手掌身份，通过多个测试数据库的交叉数据库和时间分离评估协议证实了生成的手掌纹理图像在增强非接触式手掌纹理识别性能方面的有效性。

Jun, 2024

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

本研究首次学习 GAN 指纹以进行图像归属，并使用它们将图像分类为真实或 GAN 生成。实验表明，GAN 生成的图像具有稳定的指纹，指纹细调有效防御五种类型的对抗性图像扰动，并且得出结论指出我们学习到的指纹在各种设置中一致优于几个基线。

Nov, 2018

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

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