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

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

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

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

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

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

本文研究了使用潜在语义维度作为指纹的方法，以分析设计变量对准确性和质量之间的权衡的影响。与当前 SOTA 相比，我们的方法需要最少的计算量，并且更适用于大规模模型。我们使用 StyleGAN2 和潜在扩散模型来证明我们的方法的有效性。

Apr, 2023

研究人员开发出一种称为指纹技术的机制，该技术旨在检测并追溯深度生成模型的使用，以防止其被用于创建深度伪造和传播虚假信息。

Dec, 2020

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

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