Aug, 2022

FIGO：使用 GAN 和一次性学习技术增强指纹识别方法

PDF
TL;DR提出了一种基于生成对抗网络和一次学习技术 (FIGO) 的指纹识别方法，该方法包含指纹增强和指纹识别两个部分。首先，使用 Pix2Pix 模型直接将低质量指纹图像转换为更高水平的指纹图像，提高了指纹识别模型的性能。其次，使用一次学习方法构建了完全自动化的指纹特征提取模型，从而实现了指纹的自动化识别。
fingerprint identificationgenerative adversarial networkone-shot learningpix2pix modelautomated feature extraction
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

  • 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

  • GanFinger: 基于 GAN 的指纹生成用于深度神经网络所有权验证

    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

  • 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

  • 用于潜在指纹重建的生成卷积网络

    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

  • 将伪造图像归因于 GANs：学习和分析 GAN 指纹

    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

  • 自然指纹：使用生成式对抗网络生成自然指纹

    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

  • 针对生成对抗网络的指纹成员和身份推断

    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

  • 基于个性化规范化的稳健无需重训练的生成对抗网络指纹识别

    通过插入个性化归一化 (PN) 层以及训练水印解码器，本文提出了一种无需重新训练的生成对抗网络（GAN）水印方法，使模型开发者可以轻松生成具有相同功能但不同指纹的模型副本，该方法在模型级攻击和图像级攻击的鲁棒性方面优于现有技术。

    Nov, 2023

  • 利用 GAN、扩散模型和风格迁移技术增强指纹图像合成

    利用生成对抗网络和扩散模型，我们提出了新颖的方法来合成高质量、真实和仿冒指纹图像，同时保留独特性和多样性特征。通过多种方法从噪声生成真实的指纹图像，并利用图像转换技术将真实的指纹图像转换为仿冒的指纹图像。通过循环自动编码器和梯度惩罚加权里程碑（CycleWGAN-GP）等风格转换技术，结合 Wasserstein 距离指标，我们实现了基于有限训练数据生成不同类型的仿冒图像，以避免模式崩溃和不稳定性。我们发现，当仿冒训练数据包含明显的仿冒特征时，可以改善从真实到仿冒的转换。我们主要通过 Fréchet Inception Distance（FID）和 False Acceptance Rate（FAR）评估生成的真实指纹图像的多样性和逼真性。我们最佳的扩散模型达到了 15.78 的 FID。而相比之下，WGAN-GP 模型在独特性评估方面表现更好，因其在与训练数据匹配时的稍低 FAR，表明更好的创造力。此外，我们给出了示例图像，清楚地显示了 DDPM 模型能够生成逼真的指纹图像。

    Mar, 2024