该研究论文研究了指纹验证中的一个问题：指纹图像的质量下降不利于系统的整体性能，因此，为了解决这个问题，需要对定捕获的指纹图像进行质量和有效性的估计。

Nov, 2021

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

介绍了一种生成软糖手指的新方法，并在介绍的中等规模的假指纹数据库上评估了两种不同的指纹验证系统。通过三种不同的实验情境考虑，即：使用真实指纹进行注册和测试、使用假指纹进行注册和测试以及使用真实指纹进行注册并使用假指纹进行测试。此项研究结果表明光学扫描和热扫描传感器中的两种系统均易受直接攻击。

Jul, 2022

本文介绍了第一届BioSecure住宅研讨会中有关指纹识别的实验，并测试了四个不同方法的系统以及它们在特征提取上表现出异构方法对识别性能的影响，实验结果表明结合细节和相关性测量获得最佳的指纹识别策略。

Dec, 2022

本研究提出使用Vision Transformer（ViT）模型的统一系统架构，实现虚假检测和匹配，并取得了与最先进（SOTA）的顺序系统相当的98.87%的平均集成匹配（IM）准确率，但参数只有后者的约50％，延迟只有后者的约58％。该方法适用于安全指纹识别等场景。

May, 2023

通过分类总结深度学习 Fingerprint Presentation Attack Detection（FPAD）的方法，主要集中于近年来的 deep-learning FPAD 技术，涉及指纹认证、攻击检测、接触式和智能手机模式等主题。

May, 2023

本文研究了七种预训练 CNN 和一个 Vision Transformer 模型对于探测虚假指纹的泛化能力，并通过四个不同的仿冒手段和深度特征技术的性能评估结果表明，ResNet50 CNN 具有最好的泛化性能。

Jul, 2023

本文介绍了RidgeBase基准数据集，该数据集是用两个智能手机相机和一台平板式接触式传感器在不同背景和光照条件下从88个个体中采集的超过15,000对接触式和非接触式指纹图像。为了促进不同匹配场景下的研究，我们提出了一种基于集合的匹配协议，特别是针对实用的非接触指纹匹配，可考虑注意力、极性和指角度的差异。我们还在RidgeBase数据集上报告了不同协议的定量和定性基线结果。

Jul, 2023

我们提出了一种用于无接触指纹的通用表现攻击检测方法，该方法使用了合成的无接触指纹进行模型训练，并结合了Arcface和Center loss进行联合损失函数的设计，最终取得了0.12%的正常认证错误率、0.63%的攻击展示分类错误率和0.37%的平均分类错误率。

Oct, 2023

本研究针对无接触指纹图像在准确性和匹配性上的不足，提出了一种通过改进频率估计和基于区域质量的新孤立特征提取算法来增强指纹识别的解决方案。研究结果表明，该方法在PolyU无接触指纹数据集上实现了最低2.84%的均等错误率，展示出其在指纹识别系统中的高精确性和强大抗干扰能力。

Aug, 2024