LEADER：面向稳健指纹细节提取的轻量级端到端注意力门控双编码器
计算机视觉与模式识别
2026-02-18 v1
摘要
指纹细节提取是指纹识别中的基础环节，正逐渐向深度学习转变。然而，消除独立预处理和后处理步骤的真正端到端方法仍较少。本文引入 LEADER (Lightweight End-to-end Attention-gated Dual autoencodER)，一个将原始指纹图像映射到指纹细节描述符（包括位置、方向和类型）的神经网络。该新型架构集成非极大值抑制和角度解码，实现仅使用 0.9M 参数的完整端到端推理。它采用 novel “城堡-城墙-坡道” 地面真值编码和双编码器结构，通过注意力门控机制相互连接。实验评估显示，LEADER 在普通指纹上的准确率达到最先进水平，并对潜在印象实现稳健的跨域泛化。具体而言，LEADER 在 NIST SD27 数据集上的 F1 分数比专门的潜在指纹细节提取器高出 34%。该数据集上基于样本的分析显示，LEADER 在所有比较方法中的平均排名为 2.07，其中 47% 的样本位居第一——超过第二个最佳提取器的频率。LEADER 学习的内部表示与 established 指纹领域特征一致，如分割掩码、方向场、频率图和骨架。推理在 GPU 上仅需 15ms，在 CPU 上仅需 322ms，优于领先的商业软件。源代码和预训练权重已公开发布以促进可重复性。
引用
@article{arxiv.2602.15493,
title = {LEADER: Lightweight End-to-End Attention-Gated Dual Autoencoder for Robust Minutiae Extraction},
author = {Raffaele Cappelli and Matteo Ferrara},
journal= {arXiv preprint arXiv:2602.15493},
year = {2026}
}