指纹 spoof 泛化

我们提出了一种基于风格迁移的封装器，称为通用材料生成器（UMG），用于提升任意指纹 spoof 检测器对训练时未见过材料所制 spoof 的泛化性能。具体而言，我们在已知材料的指纹图像之间迁移风格（纹理）特征，旨在合成对应于未知材料的指纹图像，这些图像可能在深度特征空间中占据已知材料之间的空间。还将合成的真实指纹图像加入训练数据集，以迫使 CNN 学习区分真实与 spoof 的生成噪声不变特征。所提方法被证明可将最先进 spoof 检测器（即 Fingerprint Spoof Buster）的泛化性能从 TDR 75.24% 提升至 91.78% @ FDR = 0.2%。这些结果基于由 12 种不同材料制作的 5,743 张真实与 4,912 张 spoof 图像的大规模数据集。此外，当在 LivDet 2017 数据集上测试时，UMG 封装器被证明可将平均跨传感器 spoof 检测性能从 67.60% 提升至 80.63%。训练 UMG 封装器仅需来自目标传感器的 100 张真实指纹图像，从而减轻了为新传感器生成大规模真实与 spoof 数据集所需的时间与资源。我们还使用已知 spoof 材料的混合物制作物理 spoof 制品，以探究跨材料风格迁移在提升泛化性能中的作用。