論文の概要: EyePreserve: Identity-Preserving Iris Synthesis
- arxiv url: http://arxiv.org/abs/2312.12028v5
- Date: Thu, 01 May 2025 00:49:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:51.601627
- Title: EyePreserve: Identity-Preserving Iris Synthesis
- Title（参考訳）: アイセーブ:アイデンティティ保存アイリス合成
- Authors: Siamul Karim Khan, Patrick Tinsley, Mahsa Mitcheff, Patrick Flynn, Kevin W. Bowyer, Adam Czajka,
- Abstract要約: 本稿では,アイリス画像の完全データ駆動型,アイデンティティ保存型,瞳孔径変化型合成法を提案する。
既存のアイデンティティを表す瞳の大きさの異なるアイライズ像を合成し、既存の被験者のアイライズ像のテクスチャを非線形に変形させることができる。
アイリス認識実験により, 提案した変形モデルは, 瞳孔径を変化させる際の同一性を保持するとともに, 瞳孔径に有意な差がある同一性アイリス試料との類似性も良好に保たれることが示唆された。
- 参考スコア（独自算出の注目度）: 8.468443367440052
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Synthesis of same-identity biometric iris images, both for existing and non-existing identities while preserving the identity across a wide range of pupil sizes, is complex due to the intricate iris muscle constriction mechanism, requiring a precise model of iris non-linear texture deformations to be embedded into the synthesis pipeline. This paper presents the first method of fully data-driven, identity-preserving, pupil size-varying synthesis of iris images. This approach is capable of synthesizing images of irises with different pupil sizes representing non-existing identities, as well as non-linearly deforming the texture of iris images of existing subjects given the segmentation mask of the target iris image. Iris recognition experiments suggest that the proposed deformation model both preserves the identity when changing the pupil size, and offers better similarity between same-identity iris samples with significant differences in pupil size, compared to state-of-the-art linear and non-linear (bio-mechanical-based) iris deformation models. Two immediate applications of the proposed approach are: (a) synthesis of, or enhancement of the existing biometric datasets for iris recognition, mimicking those acquired with iris sensors, and (b) helping forensic human experts examine iris image pairs with significant differences in pupil dilation. Images considered in this work conform to selected ISO/IEC 29794-6 quality metrics to make them applicable in biometric systems. The source codes and model weights are offered with this paper.
- Abstract（参考訳）: 同一人物像の合成は、既存人物像と既存人物像の両方において、広範囲の瞳孔の大きさで同一人物像を保存しつつ、複雑な虹彩筋収縮機構により複雑であり、合成パイプラインに埋め込まれる虹彩非直線的テクスチャの正確なモデルを必要とする。
本稿では,アイリス画像の完全データ駆動型,アイデンティティ保存型,瞳孔径変化型合成法を提案する。
本手法は,対象虹彩画像のセグメンテーションマスクが与えられた既存被写体の虹彩画像のテクスチャを非線形に変形させるとともに,既存被写体を表す瞳孔の大きさの異なるアイライズ像を合成することができる。
アイリス認識実験により, 提案した変形モデルは, 瞳孔径を変化させる際の同一性を保持するとともに, 瞳孔径に有意差がある同一性アイリス試料と, 最先端の線形および非線形(バイオメカニカルベース)アイリス変形モデルとの類似性が示唆された。
提案されたアプローチの2つの直接的な応用は以下のとおりである。
イ アイリスセンサで取得したものを模倣して、アイリス認識のための既存の生体計測データセットの合成又は強化
(b) 瞳孔拡張に有意な差がある虹彩像対の鑑別を, 法医学的人間の専門家が支援した。
この研究で考慮された画像は、バイオメトリックシステムに適用するために選択されたISO/IEC 29794-6の品質指標に準拠している。
本論文ではソースコードとモデルの重み付けについて述べる。
関連論文リスト
- Generating a Biometrically Unique and Realistic Iris Database [2.8486259504314426]
本稿では,オープンソースの拡散フレームワーク内で拡散モデルをトレーニングすることにより,現実的,生体的,不特定なカラー虹彩画像のデータベースを作成する方法について述べる。
我々は,これらの基準を比較的容易に達成するための拡散ネットワークの有用性を強調し,アイリスデータベース生成やプレゼンテーションアタックセキュリティの文脈でのさらなる研究を保証している。
論文 参考訳（メタデータ） (2025-03-15T00:28:25Z) - On the Feasibility of Creating Iris Periocular Morphed Images [9.021226651004055]
本研究は、画像レベルで虹彩形態を生成するためのエンドツーエンドフレームワークを提案する。
ペア対象の選択、セグメンテーション、形態形成、新しい虹彩認識システムなど、異なる段階を考慮する。
その結果,従来の虹彩認識システムと混同できる非常にリアルな画像が得られた。
論文 参考訳（メタデータ） (2024-08-24T06:48:46Z) - Periocular biometrics: databases, algorithms and directions [69.35569554213679]
近視バイオメトリックスは、制御されていない条件下での虹彩や顔のシステムの性能に関する懸念から、独立したモダリティとして確立されている。
本稿では, 近視バイオメトリックス研究における最先端技術について概説する。
論文 参考訳（メタデータ） (2023-07-26T11:14:36Z) - iWarpGAN: Disentangling Identity and Style to Generate Synthetic Iris
Images [13.60510525958336]
iWarpGANは、クラス間とクラス内の両方のバリエーションでアイリス画像を生成する。
深層学習に基づく虹彩マッチングの性能を向上させることで合成画像の有用性を実証する。
論文 参考訳（メタデータ） (2023-05-21T23:10:14Z) - Artificial Pupil Dilation for Data Augmentation in Iris Semantic
Segmentation [0.0]
現代の虹彩認識のアプローチでは、深層学習を用いて虹彩の有効部分を眼の他の部分から切り離す。
本稿では,新しいデータ拡張手法を導入することにより,虹彩意味分節システムの精度を向上させることを目的とする。
論文 参考訳（メタデータ） (2022-12-24T13:31:56Z) - DeformIrisNet: An Identity-Preserving Model of Iris Texture Deformation [4.142375560633827]
アイリス認識の主流となるアプローチでは、リング状のアイリス領域のサイズは正準長方形に線形にスケールされる。
データから直接アイリステクスチャの特徴の複雑な動きを効果的に学習できる新しいディープオートエンコーダモデルを提案する。
論文 参考訳（メタデータ） (2022-07-18T23:23:23Z) - Direct attacks using fake images in iris verification [59.68607707427014]
BioSecベースラインデータベースの実際のアイリスから偽アイリス画像のデータベースが作成されている。
本システムは直接攻撃に対して脆弱であることを示し,対策の重要性を指摘する。
論文 参考訳（メタデータ） (2021-10-30T05:01:06Z) - Iris Recognition Based on SIFT Features [63.07521951102555]
アイリス画像の認識にはSIFT(Scale Invariant Feature Transformation)を用いる。
我々は、SIFT演算子を用いて、スケール空間における特徴SIFT特徴点を抽出し、特徴点周辺のテクスチャ情報に基づいてマッチングを行う。
また、SIFT手法と、極座標変換とLog-Gaborウェーブレットに基づく一般的なマッチング手法の相補性を示す。
論文 参考訳（メタデータ） (2021-10-30T04:55:33Z) - Toward Accurate and Reliable Iris Segmentation Using Uncertainty
Learning [96.72850130126294]
高精度で信頼性の高いアイリスセグメンテーションのためのアイリスU変換器(アイリスUsformer)を提案する。
IrisUsformerの精度向上のために,位置感応操作と再パッケージング変圧器ブロックを採用することで精巧に設計する。
IrisUsformer は SOTA IrisParseNet の 35% MAC を用いて, セグメンテーション精度の向上を図っている。
論文 参考訳（メタデータ） (2021-10-20T01:37:19Z) - Identity-Aware CycleGAN for Face Photo-Sketch Synthesis and Recognition [61.87842307164351]
まず,画像生成ネットワークの監視に新たな知覚損失を適用したIACycleGAN(Identity-Aware CycleGAN)モデルを提案する。
眼や鼻などの重要な顔領域の合成により多くの注意を払うことで、フォトエッチング合成におけるサイクガンを改善する。
IACycleGANによる画像の合成を反復的に行う合成モデルと認識モデルとの相互最適化手法を開発した。
論文 参考訳（メタデータ） (2021-03-30T01:30:08Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z) - Fine-grained Image-to-Image Transformation towards Visual Recognition [102.51124181873101]
我々は,入力画像の同一性を保った画像を生成するために,微細なカテゴリで画像を変換することを目的としている。
我々は、画像のアイデンティティと非関連要因をアンハングルするために、生成的敵ネットワークに基づくモデルを採用する。
CompCarsとMulti-PIEデータセットの実験では、我々のモデルが生成した画像のアイデンティティを、最先端の画像-画像変換モデルよりもはるかによく保存していることが示された。
論文 参考訳（メタデータ） (2020-01-12T05:26:47Z) - Segmentation-Aware and Adaptive Iris Recognition [24.125681602124477]
アイリス画像の品質は、アイリスマッチング精度を劣化させることが知られている。
眼周囲情報は本質的にそのような虹彩画像に埋め込まれており、そのような非理想的なシナリオ下で虹彩認識を支援するために利用することができる。
本稿では,より精度の低いアイリス認識のためのセグメンテーション支援適応フレームワークを提案する。
論文 参考訳（メタデータ） (2019-12-31T04:31:37Z)
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。