Fugu-MT 論文翻訳(概要): FDeblur-GAN: Fingerprint Deblurring using Generative Adversarial Network

論文の概要: FDeblur-GAN: Fingerprint Deblurring using Generative Adversarial Network

arxiv url: http://arxiv.org/abs/2106.11354v1
Date: Mon, 21 Jun 2021 18:37:20 GMT
ステータス: 処理完了
システム内更新日: 2021-06-23 14:59:51.851355
Title: FDeblur-GAN: Fingerprint Deblurring using Generative Adversarial Network
Title（参考訳）: FDeblur-GAN:生成逆数ネットワークを用いた指紋のデブロリング
Authors: Amol S. Joshi, Ali Dabouei, Jeremy Dawson, Nasser M. Nasrabadi
Abstract要約: 本稿では,cGAN(Productrative Adversarial Networks)とスタックGANのマルチステージフレームワークに基づく指紋除去モデルFDe-GANを提案する。 2つの補助的なサブネットワークをデブロアリングタスクのモデルに統合する。我々は, 指紋データベースの95.18%の精度を, 汚れた指紋と地面の真実の指紋とをマッチングするために達成した。
参考スコア（独自算出の注目度）: 22.146795282680667
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: While working with fingerprint images acquired from crime scenes, mobile cameras, or low-quality sensors, it becomes difficult for automated identification systems to verify the identity due to image blur and distortion. We propose a fingerprint deblurring model FDeblur-GAN, based on the conditional Generative Adversarial Networks (cGANs) and multi-stage framework of the stack GAN. Additionally, we integrate two auxiliary sub-networks into the model for the deblurring task. The first sub-network is a ridge extractor model. It is added to generate ridge maps to ensure that fingerprint information and minutiae are preserved in the deblurring process and prevent the model from generating erroneous minutiae. The second sub-network is a verifier that helps the generator to preserve the ID information during the generation process. Using a database of blurred fingerprints and corresponding ridge maps, the deep network learns to deblur from the input blurry samples. We evaluate the proposed method in combination with two different fingerprint matching algorithms. We achieved an accuracy of 95.18% on our fingerprint database for the task of matching deblurred and ground truth fingerprints.
Abstract（参考訳）: 犯罪現場、モバイルカメラ、または低品質センサーから取得した指紋画像を扱う一方で、画像のぼやけや歪みのために、自動識別システムがアイデンティティを検証することが困難になる。本稿では,cGAN(Productrative Adversarial Networks)とスタックGANのマルチステージフレームワークに基づく指紋除去モデルFDeblur-GANを提案する。さらに、2つの補助的なサブネットワークをデブロアリングタスクのモデルに統合する。最初のサブネットワークはリッジ抽出モデルである。リッジマップを生成するために追加され、指紋情報とminutiaeがデブラリングプロセスに保存され、モデルが誤ったminutiaeを生成するのを防ぐ。第2のサブネットワークは、生成プロセス中に生成元がID情報を保存するのを助ける検証器である。ぼやけた指紋と対応するリッジマップのデータベースを使用して、ディープネットワークは入力されたぼやけたサンプルから青ざめることを学ぶ。提案手法を2つの異なる指紋マッチングアルゴリズムと組み合わせて評価する。指紋データベースの精度は95.18%で, 汚れた指紋と地面の真理の指紋を一致させる作業を行った。

関連論文リスト

Robust Retraining-free GAN Fingerprinting via Personalized Normalization [21.63902009635896]
提案手法は,ParamGen Netsの入力を変更するだけで,異なる指紋をGAN内に埋め込むことができる。モデルレベルの攻撃と画像レベルの攻撃の両方に対するロバスト性の観点から提案手法の性能は,最先端技術よりも優れている。
論文参考訳（メタデータ） (2023-11-09T16:09:12Z)
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)
Tree-Ring Watermarks: Fingerprints for Diffusion Images that are Invisible and Robust [55.91987293510401]
生成モデルのアウトプットを透かしは、著作権をトレースし、AI生成コンテンツによる潜在的な害を防ぐ重要なテクニックである。本稿では,拡散モデル出力を頑健にフィンガープリントするTree-Ring Watermarkingという新しい手法を提案する。私たちの透かしは画像空間に意味的に隠れており、現在デプロイされている透かしよりもはるかに堅牢です。
論文参考訳（メタデータ） (2023-05-31T17:00:31Z)
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)
FIGO: Enhanced Fingerprint Identification Approach Using GAN and One Shot Learning Techniques [0.0]
本稿では,生成逆数ネットワークとワンショット学習技術に基づく指紋識別手法を提案する。まず,低画質の指紋画像を,指紋強調層に直接画素を向けて高レベルの指紋画像に変換するPix2Pixモデルを提案する。第2に,指紋識別プロセスにおいて,各指紋を他の指紋と区別するために,ワンショット学習アプローチを用いた完全自動指紋特徴抽出モデルを構築した。
論文参考訳（メタデータ） (2022-08-11T02:45:42Z)
On the vulnerability of fingerprint verification systems to fake fingerprint attacks [57.36125468024803]
中規模の偽指紋データベースを記述し、2つの異なる指紋認証システムを評価する。光およびサーマルスイーピングセンサの結果が提供される。
論文参考訳（メタデータ） (2022-07-11T12:22:52Z)
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)
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)
Latent Fingerprint Registration via Matching Densely Sampled Points [100.53031290339483]
既存の潜伏指紋登録手法は、主にミツバチ間の対応を確立することに基づいている。本研究では,一対の指紋間の空間的変換を推定する,最小限の潜伏指紋登録手法を提案する。提案手法は,特に挑戦的な条件下で,最先端の登録性能を実現する。
論文参考訳（メタデータ） (2020-05-12T15:51:59Z)
Dense Registration and Mosaicking of Fingerprints by Training an End-to-End Network [36.50244665233824]
エンド・ツー・エンド・ネットワークをトレーニングし、2つの指紋間の画素単位の変位場を出力する。また,最適なシーム選択に基づく指紋モザイク手法を提案する。我々の登録法は,従来の密度の高い登録方法よりも精度と効率が優れている。
論文参考訳（メタデータ） (2020-04-13T14:47:00Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。