iWarpGAN:解耦身份和风格以生成合成虹膜图像
使用基于生成对抗网络的合成虹膜图像生成技术进行全面评估,旨在为培训和测试虹膜识别系统和攻击检测器提供真实和可用的虹膜图像。该综述分析了不同模型生成的图像在真实性、唯一性和生物特征实用性方面的优缺点,以发展稳健的虹膜匹配器和攻击检测器。
Apr, 2024
利用 StyleGAN-Based 技术,生成符合 ISO/IEC 29794-6 标准的验尸场景下逝者虹膜图像,增加数据集的多样性以提高验尸虹膜辨识和防范虹膜攻击的效果。
Dec, 2023
提出了一种新的基于生成敌对网络 (GANs) 的网络,可以在无监督的情况下同时训练两个或两个以上的图像数据集,并利用定义的相同损失 LI 和形状损失 LS ,以及一种名为 Min-Patch 训练的新训练方法,使其可以生成一个拥有输入图像 x 的身份和输入图像 y 的形状的融合图像。在 VGG Youtube 姿势数据集、Eye 数据集 (MPIIGaze 和 UnityEyes) 和 Photo-Sketch-Cartoon 数据集上展示了定性结果。
Apr, 2018
本文研究使用合成数据来增强面部数据集的可行性。我们提出了一种新颖的生成对抗网络(GAN),可以将相关身份属性与非相关身份属性区分开来。我们的 GAN 能够生成数据增强的合成图像,并且该模型可以提高面部识别模型的准确率。
Oct, 2018
提出了一种嵌入生成虹膜先验的 Transformer 模型(Gformer)来从复杂退化的虹膜图像中恢复,该模型通过 Transformer 块和虹膜生成对抗网络(GAN)预测虹膜先验并应用于虹膜恢复过程,实验证明该方法在虹膜识别性能上超出了现有方法。
Jun, 2024
本文介绍了 Soft-Gated Warping Generative Adversarial Network(Warping-GAN)的开发,该网络利用了灵活轻便的规避块,以在生产人像时处理任意姿势等大尺度几何变换,并在两个大型数据集上得到了显着优越的表现。
Oct, 2018
提出了一种称为 BlendGAN 的方法,使用灵活的混合策略和通用的艺术数据集进行任意样式的面部生成,使用自监督样式编码器从艺术数据集中提取表示,并提出了一种加权混合模块 (WBM) 来隐式地混合面部和样式表示。通过这样做,BlendGAN 可以优雅地适合统一模型中的任意样式,并避免对样式一致性训练图像逐案例准备。
Oct, 2021
通过全面数据驱动的方法,本文提出了一种能够对虹膜图像进行合成的方法,能够表示不同瞳孔尺寸、非现有身份的虹膜图像,并在改变瞳孔尺寸时能够保持身份,相比于现有的线性和非线性虹膜变形模型,该方法在相似性和身份保持方面表现更好。
Dec, 2023
研究使用生成的合成数据进行面部识别的训练。通过在 GAN 的产生器中引入 3D 可塑模型,实现了从实际图像中学习非线性纹理模型,从而生成新的合成身份,同时操作姿势、照明和表情,而不会影响身份。最终使用生成的数据增加现有面部识别网络的训练,性能得到改善。
Dec, 2020