利用 GAN、扩散模型与风格迁移技术增强指纹图像合成
计算机视觉与模式识别
2024-03-22 v1 机器学习
摘要
我们提出了涉及生成对抗网络和扩散模型的新方法，以合成高质量的活体和欺骗指纹图像，同时保留唯一性和多样性等特征。我们使用多种方法从噪声生成活体指纹，并使用图像转换技术将活体指纹图像转换为欺骗指纹。为了在有限的训练数据基础上生成不同类型的欺骗图像，我们通过配备 Wasserstein 度量与梯度惩罚的循环自动编码器结合了风格迁移技术，以避免模式崩溃和不稳定性。我们发现，当欺骗训练数据包含独特的欺骗特征时，可以改善从活体到欺骗的转换。我们主要通过 Fréchet Inception Distance (FID) 和 False Acceptance Rate (FAR) 评估生成活体指纹图像的多样性和真实性。我们最佳的扩散模型实现了 15.78 的 FID。可比的 WGAN-GP 模型实现了略高的 FID，但在与训练数据匹配时由于略低的 FAR 而在唯一性评估中表现更好，表明其具有更好的创造性。此外，我们给出的示例图像表明 DDPM 模型显然能够生成逼真的指纹图像。
引用
@article{arxiv.2403.13916,
title = {Enhancing Fingerprint Image Synthesis with GANs, Diffusion Models, and Style Transfer Techniques},
author = {W. Tang and D. Figueroa and D. Liu and K. Johnsson and A. Sopasakis},
journal= {arXiv preprint arXiv:2403.13916},
year = {2024}
}