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

提出了一种名为 MinutiaeNet 的全自动细节提取器，基于深度神经网络，采用紧凑特征表示，用于快速比较细节集。使用指纹领域知识和深度网络的结合，改善了细节检测的准确性，实验结果表明，MinutiaeNet 对 NIST SD27 和 FVC 2004 数据集上的细节集进行了更高精度和召回率的检测。该方法将有助于培训基于网络的指纹匹配算法，以及在大规模测量指纹个性时进行指纹分析。

Dec, 2017

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

该论文提出了一种名为神经指纹的简单而有效的方法，通过验证模型行为是否与一组秘密指纹一致的方法检测对抗性例子，具有检测速度快、攻击者极难逆向工程以及不需要假定对手知识等优势。该方法在各种威胁模型下均表现优异，成功检测出了具有最强攻击性的对抗样本，同时还能很好地适应各种超参数和指纹选择。

Mar, 2018

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。

May, 2017

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

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

该研究提出了一种用于指纹识别系统的指纹检测算法，并结合深度神经网络技术，提高了指纹识别的准确率。

May, 2022

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

本研究提出了一种基于深度学习的密集细节点描述器（DMD）用于潜指纹匹配，提高了性能并实现了与以往方法相比更具代表性和可解释性。

May, 2024