我们提出了一种名为 GanFinger 的网络指纹方法，通过基于网络行为的网络输出对的原始示例和可转让的对抗示例来构建网络指纹，并利用生成对抗网络（GANs）有效生成具有察觉不到的扰动的可转让的对抗示例，从而在版权和盗版网络上产生相同的输出而在无关网络上产生不同的结果。对 GanFinger 的性能评估表明，在效率、隐蔽性和可辨识性方面都显著优于现有技术，其中指纹生成速度提高了 6.57 倍，ARUC 值提升了 0.175，相对改进约为 26%。

Dec, 2023

本研究提出了一种基于生成对抗网络（GAN）生成自然指纹的方案，并在决策差异区域而不是决策边界上嵌入这些指纹以提高鲁棒性。实验证明该方案在四种不同的模型攻击测试中表现出色，超过 MetaV 的最优基准线约 17％。

May, 2023

我们通过嵌入人工指纹到生成对抗网络的训练数据中，展示了指纹从训练数据中转移到生成模型的惊人传递性，并证明此解决方案对多种诸如深度伪造检测和归属等任务都有效，且鲁棒性强。

Jul, 2020

本研究首次学习 GAN 指纹以进行图像归属，并使用它们将图像分类为真实或 GAN 生成。实验表明，GAN 生成的图像具有稳定的指纹，指纹细调有效防御五种类型的对抗性图像扰动，并且得出结论指出我们学习到的指纹在各种设置中一致优于几个基线。

Nov, 2018

本研究提出了一种基于 GAN 的机器学习框架，能够通过先前训练的先验分布来生成指纹图像。在 loss 函数中添加合适的正则化项以实现指纹图像的连通性，在两个流行的指纹数据库中进行实验，结果表明模型能够生成非常逼真且类似于样本的指纹图像，并且具有良好的分布不同性。该模型的 FID 分数也能够取得良好的量化表现。

Dec, 2018

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

本文提出了一种通过设计对抗方法搜索解剖指纹（如医疗设备或皮肤艺术）来估计重现可识别训练图像的概率上限的方法，利用学习到的基于分数的模型估计可能用于一对一复制训练样本的分数函数子空间的概率，结果表明，如果模型没有小心训练，则在采样时会复制侵犯隐私的图像。

Jun, 2023

通过实验证明生成对抗网络在生成图像时会在其中植入其特有的指纹，因此这些指纹可以用于多媒体的安全防范和取证分析。

Dec, 2018

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

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