特定姿势的三维指纹展开
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
本文介绍了RidgeBase基准数据集，该数据集是用两个智能手机相机和一台平板式接触式传感器在不同背景和光照条件下从88个个体中采集的超过15,000对接触式和非接触式指纹图像。为了促进不同匹配场景下的研究，我们提出了一种基于集合的匹配协议，特别是针对实用的非接触指纹匹配，可考虑注意力、极性和指角度的差异。我们还在RidgeBase数据集上报告了不同协议的定量和定性基线结果。
Jul, 2023
与图纹型指纹表示相比，固定长度的表示因其简单和高效的匹配而具有吸引力。然而，当匹配不同可见区域的指纹时，固定长度的指纹表示在准确度上存在限制。为了解决这个问题，我们提出了一种名为LDRF的局部深度指纹表示。LDRF通过关注局部区域内的区分特征，为具有不同可见区域的指纹提供了更加稳健和准确的固定长度表示。LDRF可以适应保留在任何有效区域内的信息，具有高度的灵活性。LDRF产生的匹配分数还展现出直观的统计特性，因此我们提出了一种匹配分数归一化技术来减轻在非常小的重叠区域情况下的不确定性。通过这种新技术，即使数据库规模迅速增长，我们仍能保持高水准的准确性和可靠性。我们在21个数据集上进行的实验结果包含超过140K个具有不同手指姿势和印记类型的指纹，表明LDRF优于其他固定长度表示，并且对感测技术和印记类型具有鲁棒性。此外，所提出的匹配分数归一化技术在包含超过5.11百万个指纹的大规模识别实验中有效降低了错误匹配率（FMR），相较于不进行匹配分数归一化和之前的研究，降低了两个数量级和五个数量级。
Nov, 2023
通过视觉转换器构建的可解释指纹匹配网络IFViT，利用密集特征点在像素级别上进行准确匹配和构造固定长度表示，提供了具有解释性的像素级特征点对应，并在深度固定长度表示的指纹匹配中显著促进了可解释性。
Apr, 2024
本文提出了一种基于自我参考的网络方法，用于直接估计各种手指姿势和扭曲模式下扭曲指纹的密集扭曲场，实验证明该方法在扭曲场估计和校正指纹匹配方面达到了最先进的性能。
Apr, 2024
基于多任务CNN-Transformer混合网络，本研究提出了一种联合估计部分指纹的身份验证和相对位姿的方法，旨在利用它们之间的固有相关性相互改进，实验结果表明，该方法在部分指纹验证和相对位姿估计方面取得了最先进的性能。
May, 2024
本文针对现有无接触指纹算法将其视为2D平面指纹的问题，提出了一种新颖的无接触指纹识别算法，该算法捕捉指纹的3D特征而非平面特征。研究表明，该方法显著提高了无接触指纹的匹配准确性，并在不同姿态下表现稳定，显示出其在无接触指纹识别中的潜在影响。
Sep, 2024