基于AR模型的虹膜纹理唯一性
探讨性别预测问题，考虑使用多层感知器和卷积神经网络作为分类器，通过实验研究发现使用数据驱动和手工特征的方法都存在困难，包括成年人训练和测试的问题，化妆对眼睫毛闭塞和不完美分割的影响等。
Feb, 2017
本篇综述对过去10年中涉及深度学习技术用于虹膜识别的研究进行了全面的回顾，包括算法设计、开放式工具、挑战以及新兴研究方向。主要关注虹膜生物识别中的分割、识别、鲁棒性、后验、开放源代码资源和技术挑战。
Oct, 2022
研究了通过虹膜模式进行身份注册而不发生身份冲突的人数与提取的生物特征熵和决策操作阈值之间的关系。采用与“生日问题”类似的组合问题的一般解，将其应用于全球人口规模的唯一生物特征识别，并引用来自美国NIST（国家标准与技术研究院）1.2万亿（1.2 x 10^(12)）虹膜比较的经验数据，证明了一个人的两个虹膜模式的熵足以实现全球身份的唯一性。
Aug, 2023
通过采集来自大学城相对多样的人口中的650多个不同个体的1350个独特眼睛的28000多张高质量虹膜图像，选择规范化虹膜图像的小部分作为快速识别未知个体时的关键部分，并将其与1350个独特眼睛的登记虹膜数据库匹配，从而测量这些关键部分集的内在维度约为四个，并通过主成分分析将其映射到四维的内在空间。当提供虹膜图像以进行识别时，搜索将从4D内在空间中的关键部分位置附近开始，通常在与数据库仅百分之几的比较后找到正确的识别匹配。
Sep, 2023
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
通过在眼球图像上利用不同的损失函数进行细调，我们开发了一个基于像素级的虹膜分割模型，其基础模型为Segment Anything Model (SAM)，该模型在分割任意对象方面已取得成功。在细调过程中，Focal Loss 的重要性得到了证明，因为它能够有效地解决分类不平衡问题（即虹膜与非虹膜像素之间的区别）。对 ND-IRIS-0405、CASIA-Iris-Interval-v3 和 IIT-Delhi-Iris 数据集的实验表明，训练得到的模型在虹膜分割任务上具有很高的效能。例如，在 ND-IRIS-0405 数据集上，平均分割准确率达到了99.58%，相比于最佳基准性能89.75%有了很大的提升。
Feb, 2024
本文提出了一种针对任意分辨率的虹膜识别的深度特征提取器，采用不同分辨率的图像进行训练以提高模型的鲁棒性并降低高分辨率图像的识别性能，通过自动切换网络实现了分辨率自适应的特征提取，并应用于三个传统神经网络模型，实验结果表明该方法提高了传统方法在低分辨率下的识别性能，同时保持了高分辨率下的性能。
Jul, 2024
本研究解决了虹膜展示攻击检测中存在的隐私泄露问题，提出了一种仅使用合成无身份信息泄漏的虹膜图像的方法。研究表明，通过合成数据训练的模型与使用真实人类虹膜图像训练的模型相比，尽管性能稍逊，但随着生成模型的逐步提升，开发隐私安全的虹膜PAD方法具有较大的潜力。
Aug, 2024
本研究解决了虹膜反欺骗方法在跨领域能力方面的不足，尤其是缺乏能够评估虹膜反欺骗任务泛化能力的数据集。我们提出了IrisGeneral数据集，设计了三种评估协议，并引入了Masked-MoE方法，通过随机掩蔽部分令牌来提高模型的泛化能力，实验结果表明，该方法在IrisGeneral数据集上实现了最佳性能。
Aug, 2024