Fugu-MT 論文翻訳(概要): Enhancing Fingerprint Image Synthesis with GANs, Diffusion Models, and Style Transfer Techniques

論文の概要: Enhancing Fingerprint Image Synthesis with GANs, Diffusion Models, and Style Transfer Techniques

arxiv url: http://arxiv.org/abs/2403.13916v1
Date: Wed, 20 Mar 2024 18:36:30 GMT
ステータス: 処理完了
システム内更新日: 2024-03-22 18:09:14.999928
Title: Enhancing Fingerprint Image Synthesis with GANs, Diffusion Models, and Style Transfer Techniques
Title（参考訳）: GAN、拡散モデル、スタイル転送技術による指紋画像合成の強化
Authors: W. Tang, D. Figueroa, D. Liu, K. Johnsson, A. Sopasakis,
Abstract要約: 我々は様々な方法でノイズからライブ指紋を生成し、画像翻訳技術を用いてライブ指紋画像をスプーフに変換する。我々はFr'echet Inception Distance (FID) とFalse Acceptance Rate (FAR) によって生成されたライブ指紋画像の多様性と現実性を評価する。
参考スコア（独自算出の注目度）: 0.44739156031315924
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We present novel approaches involving generative adversarial networks and diffusion models in order to synthesize high quality, live and spoof fingerprint images while preserving features such as uniqueness and diversity. We generate live fingerprints from noise with a variety of methods, and we use image translation techniques to translate live fingerprint images to spoof. To generate different types of spoof images based on limited training data we incorporate style transfer techniques through a cycle autoencoder equipped with a Wasserstein metric along with Gradient Penalty (CycleWGAN-GP) in order to avoid mode collapse and instability. We find that when the spoof training data includes distinct spoof characteristics, it leads to improved live-to-spoof translation. We assess the diversity and realism of the generated live fingerprint images mainly through the Fr\'echet Inception Distance (FID) and the False Acceptance Rate (FAR). Our best diffusion model achieved a FID of 15.78. The comparable WGAN-GP model achieved slightly higher FID while performing better in the uniqueness assessment due to a slightly lower FAR when matched against the training data, indicating better creativity. Moreover, we give example images showing that a DDPM model clearly can generate realistic fingerprint images.
Abstract（参考訳）: 本稿では, 高品質, ライブ, スプーフの指紋画像の合成と, 特異性や多様性などの特徴を保ちながら, 生成的敵ネットワークと拡散モデルを含む新しいアプローチを提案する。我々は様々な方法でノイズからライブ指紋を生成し、画像翻訳技術を用いてライブ指紋画像をスプーフに変換する。限られたトレーニングデータに基づいて異なる種類のスプーフ画像を生成するために、モード崩壊や不安定を避けるために、Wassersteinメトリックを備えたサイクルオートエンコーダとGradient Penalty(CycleWGAN-GP)を組み込んだスタイル転送手法を組み込んだ。スプーフ訓練データに異なるスプーフ特性が含まれていると、スプーフ翻訳の改善につながることが判明した。本研究では,Fr'echet Inception Distance(FID)とFalse Acceptance Rate(FAR)を用いて,生成された指紋画像の多様性と現実性を評価する。 FIDは15.78。比較対象のWGAN-GPモデルでは,トレーニングデータと比較した場合,FARが若干低いため,一意性評価が向上し,クリエイティビティが向上した。さらに、DDPMモデルが現実的な指紋画像を生成することができることを示す例を示す。

関連論文リスト

MFCLIP: Multi-modal Fine-grained CLIP for Generalizable Diffusion Face Forgery Detection [64.29452783056253]
フォトリアリスティック・フェイスジェネレーション手法の急速な発展は、社会やアカデミックにおいて大きな関心を集めている。既存のアプローチは主に画像モダリティを用いて顔の偽造パターンをキャプチャするが、きめ細かいノイズやテキストのような他のモダリティは完全には探索されていない。そこで本研究では,画像ノイズの多点にわたる包括的かつきめ細かなフォージェリートレースをマイニングする,MFCLIP(MF-modal Fine-fine-fine-fine-fine-fine CLIP)モデルを提案する。
論文参考訳（メタデータ） (2024-09-15T13:08:59Z)
DiffFinger: Advancing Synthetic Fingerprint Generation through Denoising Diffusion Probabilistic Models [0.0]
本研究では,Denoising Diffusion Probabilistic Models (DDPMs) を用いた合成指紋画像の生成について検討する。以上の結果から,DiffFingerは高品質なトレーニングデータセットと競合するだけでなく,よりリッチなバイオメトリックデータも提供し,真から生への多様性を反映していることがわかった。
論文参考訳（メタデータ） (2024-03-15T14:34:29Z)
Coarse-to-Fine Latent Diffusion for Pose-Guided Person Image Synthesis [65.7968515029306]
PGPIS(Pose-Guided Person Image Synthesis)のためのCFLD(Coarse-to-Fine Latent Diffusion)法を提案する。認識修正デコーダは、学習可能なクエリの集合を段階的に洗練し、粗いプロンプトとして人物画像の意味的理解を抽出するように設計されている。
論文参考訳（メタデータ） (2024-02-28T06:07:07Z)
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)
Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
論文参考訳（メタデータ） (2023-07-31T10:22:33Z)
WOUAF: Weight Modulation for User Attribution and Fingerprinting in Text-to-Image Diffusion Models [32.29120988096214]
本稿では,生成画像に責任を負うモデルフィンガープリントの新たなアプローチを提案する。提案手法は,ユーザ固有のデジタル指紋に基づいて生成モデルを修正し,ユーザへ遡ることができるコンテンツにユニークな識別子を印字する。
論文参考訳（メタデータ） (2023-06-07T19:44:14Z)
Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
論文参考訳（メタデータ） (2023-04-02T10:25:09Z)
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)
Semantic Image Synthesis via Diffusion Models [159.4285444680301]
Denoising Diffusion Probabilistic Models (DDPM) は様々な画像生成タスクにおいて顕著な成功を収めた。セマンティック画像合成に関する最近の研究は、主に「GAN(Generative Adversarial Nets)」に追従している。
論文参考訳（メタデータ） (2022-06-30T18:31:51Z)
Self-supervised GAN Detector [10.963740942220168]
生成モデルは不正や破壊偽ニュースなど悪意のある目的で悪用されるトレーニング設定外の未確認画像を識別する新しいフレームワークを提案する。提案手法は,GAN画像の高品質な人工指紋を再構成する人工指紋生成装置から構成する。
論文参考訳（メタデータ） (2021-11-12T06:19:04Z)
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。

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。