Fugu-MT 論文翻訳(概要): High Fidelity Fingerprint Generation: Quality, Uniqueness, and Privacy

論文の概要: High Fidelity Fingerprint Generation: Quality, Uniqueness, and Privacy

arxiv url: http://arxiv.org/abs/2105.10403v1
Date: Fri, 21 May 2021 15:18:28 GMT
ステータス: 処理完了
システム内更新日: 2021-05-25 06:35:32.252825
Title: High Fidelity Fingerprint Generation: Quality, Uniqueness, and Privacy
Title（参考訳）: 高忠実度指紋生成:品質、独特性、プライバシー
Authors: Keivan Bahmani, Richard Plesh, Peter Johnson, Stephanie Schuckers, Timothy Swyka
Abstract要約: 我々は、進歩的成長に基づくジェネレーティブ・ディバイザリー・ネットワーク(GAN)を利用して、クラークソン・フィンガープリント・ジェネレータ(CFG)を開発した。 CFGは512times512$ピクセル、フル、プレインプレッション指紋を生成できる。その結果,CFGが生成する指紋はユニークで多様性があり,微妙な構成や品質の訓練データセットに類似していることが示唆された。
参考スコア（独自算出の注目度）: 1.3911984813936993
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work, we utilize progressive growth-based Generative Adversarial Networks (GANs) to develop the Clarkson Fingerprint Generator (CFG). We demonstrate that the CFG is capable of generating realistic, high fidelity, $512\times512$ pixels, full, plain impression fingerprints. Our results suggest that the fingerprints generated by the CFG are unique, diverse, and resemble the training dataset in terms of minutiae configuration and quality, while not revealing the underlying identities of the training data. We make the pre-trained CFG model and the synthetically generated dataset publicly available at https://github.com/keivanB/Clarkson_Finger_Gen
Abstract（参考訳）: 本研究では,進歩的成長型ジェネレーショナル・リバーサリー・ネットワーク(gans)を用いて,clarkson fingerprint generator(cfg)を開発した。 CFGは、リアルで高い忠実さ、512\times512$ピクセル、フル、プレインプレッション指紋を生成できることを実証しています。その結果,cfgが生成する指紋は独特で多様であり,トレーニングデータの基盤となるアイデンティティを明かすことなく,minutiae構成と品質の点でトレーニングデータセットに類似していることが示唆された。トレーニング済みCFGモデルと合成生成されたデータセットをhttps://github.com/keivanB/Clarkson_Finger_Genで公開しています。

関連論文リスト

Universal Fingerprint Generation: Controllable Diffusion Model with Multimodal Conditions [25.738682467090335]
GenPrintは、アイデンティティを維持しながら、さまざまなタイプの指紋画像を生成するためのフレームワークである。 GenPrintはトレーニングデータセットのみからスタイル特性を複製することに限定されていない。結果は、生成した画像のアイデンティティ保存、説明可能な制御、普遍性の観点から、GenPrintの利点を実証する。
論文参考訳（メタデータ） (2024-04-21T23:01:08Z)
FPGAN-Control: A Controllable Fingerprint Generator for Training with Synthetic Data [7.203557048672379]
画像生成フレームワークであるFPGAN-Controlについて述べる。指紋の識別と外観特性の絡み合いを助長する新規な外観損失を導入する。 FPGAN-Controlのメリットを,アイデンティティレベル,外観制御の程度,合成ドメイン間ギャップの低さの観点から定量的かつ定性的に示す。
論文参考訳（メタデータ） (2023-10-29T14:30:01Z)
RFDforFin: Robust Deep Forgery Detection for GAN-generated Fingerprint Images [45.73061833269094]
本稿では,GAN生成画像の独自の隆起特性と生成アーティファクトを組み合わせた指紋画像に対する最初の深部偽造検出手法を提案する。提案手法は,低複雑性で有効かつ堅牢である。
論文参考訳（メタデータ） (2023-08-18T04:05:18Z)
Comparative analysis of segmentation and generative models for fingerprint retrieval task [0.0]
指紋は、指が汚れたり、濡れたり、怪我したり、センサーが故障したりすると、品質が低下する。本稿では,ジェネレーティブ(GAN)とモデルを用いた深層学習手法を提案する。本研究は, GANネットワークよりも, u-net モデルの方が優れた性能を示した。
論文参考訳（メタデータ） (2022-09-13T17:21:14Z)
Synthetic Latent Fingerprint Generator [47.87570819350573]
フル指紋画像(ローリングまたはスラップ)が与えられた場合、私たちはCycleGANモデルを示し、フルプリントと同じアイデンティティの複数の潜在印象を生成する。我々のモデルは、生成された潜在印刷画像の歪み、ノイズ、ぼかし、閉塞の程度を制御できる。合成潜入指紋を生成する手法は,潜入指紋の認識性能向上に有効である。
論文参考訳（メタデータ） (2022-08-29T18:02:02Z)
Hierarchical Perceptual Noise Injection for Social Media Fingerprint Privacy Protection [106.5308793283895]
ソーシャルメディアからの指紋漏洩は画像を匿名化したいという強い欲求を喚起します指紋漏洩を保護するために、画像に知覚不能な摂動を加えることにより、敵攻撃が解決策として現れる。この問題を解決するために,階層型パーセプティカルノイズ注入フレームワークであるFingerSafeを提案する。
論文参考訳（メタデータ） (2022-08-23T02:20:46Z)
SpoofGAN: Synthetic Fingerprint Spoof Images [47.87570819350573]
指紋スプーフ検出の進歩に対する大きな制限は、公開可能な大規模な指紋スプーフデータセットの欠如である。この研究は、これらのアルゴリズムに十分なデータを供給する際に、合成指紋(ライブ指紋とスプーフ指紋の両方)の有用性を実証することを目的としている。
論文参考訳（メタデータ） (2022-04-13T16:27:27Z)
Synthesis and Reconstruction of Fingerprints using Generative Adversarial Networks [6.700873164609009]
本稿では,StyleGan2アーキテクチャに基づく新しい指紋合成・再構成フレームワークを提案する。また,生成した指紋の属性を同一性を保ちながら修正する計算手法も提案する。提案手法は, 指紋合成と復元の両面において, 現代的手法よりも優れていることを示した。
論文参考訳（メタデータ） (2022-01-17T00:18:00Z)
PrintsGAN: Synthetic Fingerprint Generator [39.804969475699345]
PrintsGANは、特定の指紋に対する複数の印象とともに、ユニークな指紋を生成することができる合成指紋生成装置である。本研究では,指紋から一定の長さの埋め込みを抽出するために,深層ネットワークをトレーニングしたPrintsGANの有用性を示す。
論文参考訳（メタデータ） (2022-01-10T22:25:10Z)
Responsible Disclosure of Generative Models Using Scalable Fingerprinting [70.81987741132451]
深層生成モデルは質的に新しいパフォーマンスレベルを達成した。この技術がスプーフセンサーに誤用され、ディープフェイクを発生させ、大規模な誤情報を可能にするという懸念がある。最先端のジェネレーションモデルを責任を持って公開することで、研究者や企業がモデルに指紋を刻むことができます。
論文参考訳（メタデータ） (2020-12-16T03:51:54Z)
Artificial Fingerprinting for Generative Models: Rooting Deepfake Attribution in Training Data [64.65952078807086]
光現実性画像生成は、GAN(Generative Adversarial Network)のブレークスルーにより、新たな品質レベルに達した。しかし、このようなディープフェイクのダークサイド、すなわち生成されたメディアの悪意ある使用は、視覚的誤報に関する懸念を提起する。我々は,モデルに人工指紋を導入することによって,深度検出の積極的な,持続可能なソリューションを模索する。
論文参考訳（メタデータ） (2020-07-16T16:49:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。