論文の概要: Diff-Palm: Realistic Palmprint Generation with Polynomial Creases and Intra-Class Variation Controllable Diffusion Models
- arxiv url: http://arxiv.org/abs/2503.18312v1
- Date: Mon, 24 Mar 2025 03:30:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-25 14:36:19.388506
- Title: Diff-Palm: Realistic Palmprint Generation with Polynomial Creases and Intra-Class Variation Controllable Diffusion Models
- Title(参考訳): Diff-Palm:ポリノミアル生成とクラス内変動制御可能な拡散モデルによるリアルなパルププリント生成
- Authors: Jianlong Jin, Chenglong Zhao, Ruixin Zhang, Sheng Shang, Jianqing Xu, Jingyun Zhang, ShaoMing Wang, Yang Zhao, Shouhong Ding, Wei Jia, Yunsheng Wu,
- Abstract要約: パーム認識は、大規模な公開データセットの欠如によって著しく制限されている。
これまでの手法では、手のひらをシミュレートするためにブエジエ曲線を採用しており、これが条件付きGANの入力として機能し、現実的な手のひらプリントを生成する。
本稿では, パーム・クリーゼ生成機構を実際の分布とより密に整合させる新しいパーム・クレーゼ表現を提案する。
- 参考スコア(独自算出の注目度): 31.760874666742282
- License:
- Abstract: Palmprint recognition is significantly limited by the lack of large-scale publicly available datasets. Previous methods have adopted B\'ezier curves to simulate the palm creases, which then serve as input for conditional GANs to generate realistic palmprints. However, without employing real data fine-tuning, the performance of the recognition model trained on these synthetic datasets would drastically decline, indicating a large gap between generated and real palmprints. This is primarily due to the utilization of an inaccurate palm crease representation and challenges in balancing intra-class variation with identity consistency. To address this, we introduce a polynomial-based palm crease representation that provides a new palm crease generation mechanism more closely aligned with the real distribution. We also propose the palm creases conditioned diffusion model with a novel intra-class variation control method. By applying our proposed $K$-step noise-sharing sampling, we are able to synthesize palmprint datasets with large intra-class variation and high identity consistency. Experimental results show that, for the first time, recognition models trained solely on our synthetic datasets, without any fine-tuning, outperform those trained on real datasets. Furthermore, our approach achieves superior recognition performance as the number of generated identities increases.
- Abstract(参考訳): Palmprint認識は、大規模な公開データセットの欠如によって大幅に制限されている。
これまでの手法では、手のひらをシミュレートするためにB\'ezier曲線を採用しており、これが条件付きGANの入力として機能し、現実的な手のひらプリントを生成する。
しかし、実際のデータの微調整を使わなければ、これらの合成データセットで訓練された認識モデルの性能は劇的に低下し、生成されたパームプリントと実際のパームプリントの間に大きなギャップがあることが示される。
これは主に、不正確なパームクレーゼ表現の利用と、クラス内の変動とアイデンティティの整合性のバランスをとる上での課題による。
そこで本研究では,実分布とより密に一致した新たなパームクレーゼ生成機構を提供する多項式ベースのパームクレーゼ表現を提案する。
また,新しいクラス内変分制御法を用いて,ヤシクリーゼ条件付き拡散モデルを提案する。
提案した$K$ステップのノイズ共有サンプリングを適用することで,パームプリントデータセットをクラス内変動が大きく,アイデンティティの整合性が高い形で合成することができる。
実験結果から、我々の合成データセットのみにトレーニングされた認識モデルは、微調整なしで、実際のデータセットでトレーニングされたモデルよりも優れた結果が得られた。
さらに,生成したアイデンティティの数が増えるにつれて,認識性能が向上する。
関連論文リスト
- Cross-Chirality Palmprint Verification: Left is Right for the Right Palmprint [11.388567430575783]
本稿では,従来のパームプリント検証システムにおける従来の知恵に挑戦する,新しいCCPVフレームワークを提案する。
通常、左右両方のヤシプリントを保存する必要がある既存の方法とは異なり、本手法では、ヤシプリントテンプレートを1つだけ保存しながら、ヤシプリントを使用することが可能である。
論文 参考訳(メタデータ) (2024-09-19T19:10:21Z) - GenPalm: Contactless Palmprint Generation with Diffusion Models [25.738682467090335]
本稿では拡散確率モデルを用いた新しいパームプリント生成法を提案する。
我々は,複数のパームIDを合成するエンドツーエンドフレームワークを開発し,生成されたパームプリントの現実性と有用性を検証した。
論文 参考訳(メタデータ) (2024-06-01T03:33:25Z) - HandBooster: Boosting 3D Hand-Mesh Reconstruction by Conditional Synthesis and Sampling of Hand-Object Interactions [68.28684509445529]
HandBoosterは、データの多様性を向上し、3Dハンド・ミーシュ・リコンストラクションのパフォーマンスを向上する新しいアプローチである。
まず,多様な手やポーズ,ビュー,背景を持つリアルな画像を生成するために,拡散モデルを誘導する多目的コンテンツ認識条件を構築した。
そこで我々は,我々の類似性を考慮した分布サンプリング戦略に基づく新しい条件作成手法を設計し,トレーニングセットとは異なる,斬新で現実的なインタラクションのポーズを意図的に見つける。
論文 参考訳(メタデータ) (2024-03-27T13:56:08Z) - Fake It Till Make It: Federated Learning with Consensus-Oriented
Generation [52.82176415223988]
コンセンサス指向生成による連合学習(FedCOG)を提案する。
FedCOGは、補完的なデータ生成と知識蒸留に基づくモデルトレーニングという、クライアント側の2つの重要なコンポーネントで構成されています。
古典的および実世界のFLデータセットの実験は、FedCOGが一貫して最先端の手法より優れていることを示している。
論文 参考訳(メタデータ) (2023-12-10T18:49:59Z) - Physics-Driven Spectrum-Consistent Federated Learning for Palmprint
Verification [47.35171881187345]
PSFed-Palmと呼ばれるパームプリント検証のための物理駆動型スペクトル一貫性フェデレート学習法を提案する。
提案手法は、まず、局所スペクトル画像の波長範囲に応じて、クライアントを短スペクトル群と長スペクトル群に分割する。
我々は,グローバルモデルとの整合性を確保するため,局所モデルに制約を課し,モデルドリフトを効果的に防止する。
論文 参考訳(メタデータ) (2023-08-01T11:01:17Z) - RPG-Palm: Realistic Pseudo-data Generation for Palmprint Recognition [26.82617300073746]
そこで本研究では,ヤシの指紋を大量に合成する現実的な擬似パルムプリント生成モデルを提案する。
我々のモデルは、TAR@FAR=1e-6の1:1$と1:3$のオープンセットプロトコルで、最先端のB'ezierPalmを5%以上、そして14%以上改善します。
この手法はArcFaceを100%の訓練データで上回り、実データフリーのパームプリント認識に近づきつつあることを示す。
論文 参考訳(メタデータ) (2023-07-26T07:57:56Z) - ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。
我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
論文 参考訳(メタデータ) (2023-04-07T15:17:48Z) - Geometric Synthesis: A Free lunch for Large-scale Palmprint Recognition
Model Pretraining [27.81138870690135]
パラメータ化されたB'ezier曲線を持つパーマークリーゼを表す直観的幾何学モデルを導入する。
B'ezierパラメータをランダムにサンプリングすることで、多様なアイデンティティの大規模なトレーニングサンプルを合成できる。
実験結果から, 合成事前学習モデルは非常に強力な一般化能力を有することが示された。
論文 参考訳(メタデータ) (2022-03-11T01:20:22Z) - ProxyFAUG: Proximity-based Fingerprint Augmentation [81.15016852963676]
ProxyFAUGはルールベースで近接性に基づく指紋増強法である。
このデータセット上で最高のパフォーマンスの測位法は、中央値エラーで40%改善され、平均誤差で6%向上した。
論文 参考訳(メタデータ) (2021-02-04T15:59:30Z) - 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) - Palm-GAN: Generating Realistic Palmprint Images Using Total-Variation
Regularized GAN [7.119324327867636]
本稿では,現実的なヤシプリント画像を生成することができるGAN(Generative Adversarial Network)に基づくディープラーニングフレームワークを提案する。
このフレームワークを一般的なパームプリントデータベースに適用し、非常にリアルに見え、このデータベースのサンプルとよく似た画像を生成する。
論文 参考訳(メタデータ) (2020-03-21T03:24:36Z)
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。