本文提出一种基于深度学习卷积神经网络的指纹细节提取新方法， 包含了传统方法的优点，并集成在一个统一的网络中，改善了涉及复杂背景噪声的潜在指纹提取。实验表明该算法优于现有的指纹细节提取算法。

Sep, 2017

通过 Unet 架构指导，利用混合的深层网络结构增强潜在指纹的细节特征，其中包括使用 Resnet-101 网络和 Unet 编码器的潜力组合，补充了注意力机制和前向跳跃的传输连接。通过创新的指纹增强 Gabor 层，使其在 GPU 计算机上具有更好的可用性和加速性，但仍需进一步的实验验证以确定其在潜在指纹增强领域的可靠性和可用性。

Jun, 2023

本文介绍了一种多尺度卷积网络 ——U-Finger，用于指纹图像去噪和修复，通过使用膨胀卷积和去除填充等方法，在保留细节纹理的同时消除了复杂的伪影，并在 ECCV 2018 Chalearn LAP Inpainting 比赛中取得了第二名的好成绩。

Jul, 2018

本研究旨在开发一种名为 ULPrint 的快速方法，以增强各种潜在指纹类型，包括从真实犯罪现场和实验室创建的样本中获得的指纹，从而提高指纹识别系统的性能。这种新方法通过开发一个基于 Ridge 分段、UNet 和 Mix Visual Transformer (MiT) SegFormer-B5 编码器架构的两步潜在指纹增强方法来解决不同潜在指纹类型的挑战，提高了司法调查和刑事司法结果。

May, 2023

通过基于增强预训练的独特方法，我们提出了一种强大的指纹识别方法，通过专门的编码器从指纹图像中以自我监督的方式获取表示，并通过改进提高了验证性能。实验证明，我们的方法有效，无需依赖增强样本即可从退化图像中提取有意义的指纹表示。

Feb, 2024

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

本文介绍了一种名为 WiTUnet 的新型 LDCT 图像去噪方法，该方法利用嵌套的密集跳跃路径代替传统的跳跃连接来改进特征整合，同时在编码器和解码器中增加了局部图像感知增强 (LiPe) 模块以提高局部特征捕获和表示能力；通过广泛的实验比较，WiTUnet 在峰值信噪比 (PSNR)、结构相似度 (SSIM) 和均方根误差 (RMSE) 等关键指标上表现出优越的性能，显著提高了去噪和图像质量。

Apr, 2024

该论文提出了一种基于 CNN 编码器 - 解码器结构的 WCNN，并在城市景观数据集上进行了实验，结果表明它能够有效地进行高分辨率密集像素预测并提高准确性。

Aug, 2018

本文提出了一种基于深度学习的通用框架，通过域自适应实现模型泛化，使用压缩的 U-Net 作为域映射器，并使用本地描述符模型 SOSNet 将补丁嵌入描述符，以测量匹配对的相似性。实验结果证明，该框架在五个公共数据集中具有与最佳性能相当的结果，表明其在指静脉识别等其它基于静脉的生物识别方面具有应用潜力。

Jun, 2022

使用端到端可训练的卷积神经网络 FPD-M-net，将指纹去噪和修复问题作为分割任务，以结构相似度损失函数为基础，从噪声背景中更好地提取指纹，并在 Chalearn LAP 修复竞赛的第三轨道中排名第 3。

Dec, 2018