GenPalm:无接触式扩散模型掌纹生成
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
使用合成数据进行指纹识别的研究已经引起了广泛关注,因为它具有减轻围绕敏感生物特征数据的隐私问题的潜力。为了解决这个挑战,我们提出了 GenPrint,一个可以生成各种类型指纹图像并保持身份的框架,可以对指纹类别、采集类型、传感器设备和质量级别等不同外观因素进行人类可理解的控制。
Apr, 2024
该论文提出了一种新的逼真伪掌纹生成(RPG)模型,用来合成具有大量身份特征的掌纹,进而提升掌纹识别的性能,并且证明其在真实数据不充足时仍然优于当前最先进的方法。
Jul, 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
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
本论文提出了 GANDiffFace,一种结合生成对抗网络(GAN)和扩散模型的新型框架,用于为人脸识别生成具有高度真实感的合成数据集,以克服现有合成数据集的局限性,特别是 GAN 提供的有限化内类别变化,进而增强内类别变化。
May, 2023
评估生成式机器学习模型在身份保护方面的漏洞,并通过设计和测试一种身份推断攻击来验证其有效性。实验结果表明,该解决方案在不同配置下都有效,并且可以轻松扩展到其他生物测量数据集。
Jun, 2024
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