国际指纹活体检测竞赛（LivDet）是一项每两年举办一次的活动，邀请学术界和工业界的参与者证明他们在指纹表示攻击检测（PAD）方面的进展。本届竞赛提出了两个挑战，即动作中的活体检测和指纹表示，旨在评估嵌入验证系统的 PAD 的有效性以及特征集的有效性和紧凑性。另外，还包括一个隐藏挑战，即在训练集中包含两个未知传感器信息的子集，测试参与者的模型泛化能力。参与者只提供真实指纹样本，竞赛报告并评估他们的算法在数据可用性有限的情况下的性能。

Sep, 2023

LivDet-2023 是非接触式指纹感知攻击检测（PAD）的竞赛，它提供了对算法和系统进行评估的国际竞争平台。该竞赛使用非接触式指纹感知攻击作为基准，为学术界和行业提供了非接触式指纹 PAD 的最新研究和系统的独立评估，同时提供了常见的算法和系统评估协议。

Oct, 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

生物特征安全、活体检测、跨数据库场景、性能指标和数据多样化方法是本研究的关键词。本研究全面评估了活体检测模型，尤其关注它们在跨数据库场景下的表现，发现了这一领域的固有挑战，并提出了更加精细、多样化和适应性的方法。

Jan, 2024

本研究旨在解决潜在指纹领域中数据稀缺的问题，通过样式迁移和图像混合的方法，合成逼真的潜在指纹，其生成的合成指纹在保留输入接触式指纹的身份信息的同时，具有类似真实潜在指纹的特征，且能够生成多个样本。

Sep, 2023

利用生成对抗网络和扩散模型，我们提出了新颖的方法来合成高质量、真实和仿冒指纹图像，同时保留独特性和多样性特征。通过多种方法从噪声生成真实的指纹图像，并利用图像转换技术将真实的指纹图像转换为仿冒的指纹图像。通过循环自动编码器和梯度惩罚加权里程碑（CycleWGAN-GP）等风格转换技术，结合 Wasserstein 距离指标，我们实现了基于有限训练数据生成不同类型的仿冒图像，以避免模式崩溃和不稳定性。我们发现，当仿冒训练数据包含明显的仿冒特征时，可以改善从真实到仿冒的转换。我们主要通过 Fréchet Inception Distance（FID）和 False Acceptance Rate（FAR）评估生成的真实指纹图像的多样性和逼真性。我们最佳的扩散模型达到了 15.78 的 FID。而相比之下，WGAN-GP 模型在独特性评估方面表现更好，因其在与训练数据匹配时的稍低 FAR，表明更好的创造力。此外，我们给出了示例图像，清楚地显示了 DDPM 模型能够生成逼真的指纹图像。

Mar, 2024

提出了一种基于生成对抗网络和一次学习技术 (FIGO) 的指纹识别方法，该方法包含指纹增强和指纹识别两个部分。首先，使用 Pix2Pix 模型直接将低质量指纹图像转换为更高水平的指纹图像，提高了指纹识别模型的性能。其次，使用一次学习方法构建了完全自动化的指纹特征提取模型，从而实现了指纹的自动化识别。

Aug, 2022

自动指纹识别系统面临虚假攻击的威胁，本文提出了一种动态集成的深度学习和手工特征方法来检测已知材料和未知材料协议中的虚假攻击，该模型利用了分类技术的能力并在基准协议中表现出更好的性能。

Aug, 2023

基于图像文本对和对比学习的活体检测方法在金融领域中能够有效地检测特定的活体攻击行为，并在多个数据集上展现出较高的检测准确率。

Nov, 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