通过通用神经渲染提升 3D 手指特征识别
摘要
3D 生物识别技术在手指特征方面已成为新趋势，并在识别和防伪方面展现出强大的能力。现有方法遵循显式 3D 流程，先重建模型，然后从 3D 模型中提取特征。然而，这些显式 3D 方法存在以下问题：1）3D 重建过程中不可避免地丢失信息；2）特定硬件与 3D 重建算法之间的紧密耦合。这引导我们思考：在识别任务中，显式重建 3D 信息是否必不可少？因此，我们以隐式方式考虑此问题，借助神经辐射场（NeRF）将令人头疼的 3D 重建问题交给可学习的神经网络。我们提出了 FingerNeRF，一种用于 3D 手指生物识别的新型通用 NeRF。为处理可能导致错误 3D 几何形状的形状-光辐射歧义问题，我们旨在基于指纹或指纹/手指静脉等二进制手指特征的对应关系引入额外的几何先验。首先，我们提出了一种新型特征引导变换器（TGT）模块，以指纹特征的引导增强特征对应性。其次，我们在体渲染损失中引入额外的几何约束，提出了深度蒸馏损失和特征引导渲染损失。为评估所提方法在不同模态上的性能，我们收集了两个新数据集：SCUT-Finger-3D（包含手指图像）和 SCUT-FingerVein-3D（包含手指静脉图像）。此外，我们还利用了包含指纹图像的 UNSW-3D 数据集进行评估。在实验中，我们的 FingerNeRF 在 SCUT-Finger-3D 数据集上实现了 4.37% 的 EER，在 SCUT-FingerVein-3D 数据集上实现了 8.12% 的 EER，在 UNSW-3D 数据集上实现了 2.90% 的 EER，显示了在 3D 手指生物识别中该隐式方法的优越性。
引用
@article{arxiv.2410.09582,
title = {Improving 3D Finger Traits Recognition via Generalizable Neural Rendering},
author = {Hongbin Xu and Junduan Huang and Yuer Ma and Zifeng Li and Wenxiong Kang},
journal= {arXiv preprint arXiv:2410.09582},
year = {2024}
}
备注
This paper is accepted in IJCV. For further information and access to the code, please visit our project page: https://scut-bip-lab.github.io/fingernerf/