利用生成卷积网络对指纹进行去噪和缺失图案预测的方法，作为指纹识别前的预处理步骤，能够显著降低false positive和false negative检测率，并可与多种标准特征提取方法结合使用，如MINDTCT，MCC，BOZORTH3等，本方法在使用不同传感器捕获的多个公开指纹数据集上进行了测试。

May, 2017

该研究论文研究了指纹验证中的一个问题：指纹图像的质量下降不利于系统的整体性能，因此，为了解决这个问题，需要对定捕获的指纹图像进行质量和有效性的估计。

Nov, 2021

研究了指纹识别系统在有或没有用户配合下直接攻击的漏洞，通过对真假指纹数据库上两个不同系统（细节和脊特征）的评估，根据指纹图像质量和在不同操作场景下获得的结果， 得出了一些关于系统的鲁棒性的统计显著观察结果。

Dec, 2022

本研究结合全局特征嵌入和局部特征嵌入，以实现高通量的隐性指纹识别和较高的识别准确率，其中局部特征用于指导全局特征以关注比较中的区分性区域。

Apr, 2023

提出了MCLFIQ算法，它是首个用于移动无接触指纹的质量评估算法。该算法使用一个合成的无接触指纹数据库来重新训练了用于接触式指纹的NIST指纹图像质量（NFIQ）2方法，并在三个真实的无接触指纹数据库上评估了其性能，结果显示该方法比原来的NFIQ 2方法和基于锐度的质量评估算法更为准确和稳健，建议将其作为无接触指纹质量评估的新标准算法候选。

Apr, 2023

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

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

开发基于深度学习的非接触式指纹定位与分割工具，其平均绝对误差为30像素、角度预测误差为5.92度、标签准确率为97.46%。

Nov, 2023

通过基于增强预训练的独特方法，我们提出了一种强大的指纹识别方法，通过专门的编码器从指纹图像中以自我监督的方式获取表示，并通过改进提高了验证性能。实验证明，我们的方法有效，无需依赖增强样本即可从退化图像中提取有意义的指纹表示。

Feb, 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