利用扩散概率模型介绍了一种新的手掌纹理生成方法，并开发了一个端到端框架来合成多个手掌身份，通过多个测试数据库的交叉数据库和时间分离评估协议证实了生成的手掌纹理图像在增强非接触式手掌纹理识别性能方面的有效性。

Jun, 2024

我们提出了 PrintsGAN，这是一种合成指纹生成器，能够为给定的指纹生成独特的指纹和多个印象。使用 PrintsGAN，我们合成了一个由 525k 个指纹（包括 15 个印象的 35k 个不同手指）组成的数据库，利用该数据库，我们训练了一个深度网络，从指纹中提取了一个固定长度的嵌入，这在真实情况下是非常困难的。

Jan, 2022

使用合成数据训练指纹识别模型最近在生物特征学界引起了广泛关注，因为它减少了对敏感个人数据的依赖。我们提出了一种身份保留图像生成框架 FPGAN-Control，它能够控制生成指纹的图像外观，包括指纹类型、采集设备和压力水平等方面。我们实验证明了 FPGAN-Control 在身份保留水平、外观控制程度以及合成到真实数据领域差距方面的优点。据我们所知，这是首次证明只使用 FPGAN-Control 生成的合成数据进行训练可以达到甚至超过使用真实数据训练的模型的识别准确性。

Oct, 2023

将全局和局部特征相结合的新框架可提高掌纹匹配准确性，结合 ViT 和 CNN 特征的基于移动设备的 Palm-ID 系统在 AMD EPYC 7543 32-Core CPU 上以 128 个线程在 18ms 内提取模板，在 0.33ms 内对 10,000 个掌纹图库进行高效搜索，并在大规模操作数据集上实现 98.06% 的真正接受率（TAR）和 0.01% 的误认为真率（FAR），同时在移动设备中嵌入完整的识别流程以提升用户隐私和安全。

Jan, 2024

本文提出了一种用于多光谱掌纹特征编码和匹配的方法，并设计了二进制哈希表结构以实现在大型数据库中有效匹配，经过综合实验验证，该方法在识别和验证场景下均表现出比现有最先进方法更为出色的性能表现，产生的误差率分别为 0.003％和 0.2％，证明了掌纹作为一项可靠且有前途的生物测定技术。

Feb, 2014

使用合成数据进行指纹识别的研究已经引起了广泛关注，因为它具有减轻围绕敏感生物特征数据的隐私问题的潜力。为了解决这个挑战，我们提出了 GenPrint，一个可以生成各种类型指纹图像并保持身份的框架，可以对指纹类别、采集类型、传感器设备和质量级别等不同外观因素进行人类可理解的控制。

Apr, 2024

本研究介绍了一种新的以手掌印为基础的移动生物识别技术，通过嵌入式摄像头捕获手掌印数据库，通过 RST 不变正方形基础的手掌印局部区域提取方法，实现了高准确性的认证技术。

Dec, 2009

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

本文介绍了一种基于生物识别技术的移动式非接触式棕纹识别系统，名为 Child Palm-ID，旨在为世界上一些最不发达和最贫困的国家的儿童，特别是婴幼儿，提供营养和医疗援助分配的有效解决方案，通过无联系儿童手掌图像数据库，Child-PalmDB1 的实验数据，证明了该系统的竞争力与先进性。

May, 2023

该研究探索了使用去噪扩散概率模型（DDPMs）生成合成指纹图像。相对于收集真实生物识别数据所面临的隐私和多样性数据需求困难，本研究旨在提出 DDPMs 作为一种既真实又多样的合成生物识别替代方案。结果显示，DiffFinger 不仅在质量上能与真实训练集数据相媲美，还提供了更丰富的生物识别数据，反映出真实生活中的变异。这些发现标志着生物识别合成领域的一个重要进展，并展示了 DDPMs 在指纹识别和认证系统领域的潜力。

Mar, 2024