Fugu-MT 論文翻訳(概要): Conditional Synthetic Live and Spoof Fingerprint Generation

論文の概要: Conditional Synthetic Live and Spoof Fingerprint Generation

arxiv url: http://arxiv.org/abs/2510.17035v1
Date: Sun, 19 Oct 2025 22:44:21 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-25 00:56:39.258584
Title: Conditional Synthetic Live and Spoof Fingerprint Generation
Title（参考訳）: 条件付き合成ライブとスポットフィンガープリント生成
Authors: Syed Konain Abbas, Sandip Purnapatra, M. G. Sarwar Murshed, Conor Miller-Lynch, Lambert Igene, Soumyabrata Dey, Stephanie Schuckers, Faraz Hussain,
Abstract要約: 大規模な指紋データセットは収集に時間と費用がかかり、厳格なプライバシー対策を必要とする。本稿では,合成指紋画像(スプーフとライブの両方)作成のための新しいアプローチを提案する。我々はCycleGANを使ってそれらをリアルなスプーフ指紋に変換する。これらの合成スプーフ指紋は、堅牢なスプーフ検出システムの開発に不可欠である。
参考スコア（独自算出の注目度）: 0.6305266318624044
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Large fingerprint datasets, while important for training and evaluation, are time-consuming and expensive to collect and require strict privacy measures. Researchers are exploring the use of synthetic fingerprint data to address these issues. This paper presents a novel approach for generating synthetic fingerprint images (both spoof and live), addressing concerns related to privacy, cost, and accessibility in biometric data collection. Our approach utilizes conditional StyleGAN2-ADA and StyleGAN3 architectures to produce high-resolution synthetic live fingerprints, conditioned on specific finger identities (thumb through little finger). Additionally, we employ CycleGANs to translate these into realistic spoof fingerprints, simulating a variety of presentation attack materials (e.g., EcoFlex, Play-Doh). These synthetic spoof fingerprints are crucial for developing robust spoof detection systems. Through these generative models, we created two synthetic datasets (DB2 and DB3), each containing 1,500 fingerprint images of all ten fingers with multiple impressions per finger, and including corresponding spoofs in eight material types. The results indicate robust performance: our StyleGAN3 model achieves a Fr\'echet Inception Distance (FID) as low as 5, and the generated fingerprints achieve a True Accept Rate of 99.47% at a 0.01% False Accept Rate. The StyleGAN2-ADA model achieved a TAR of 98.67% at the same 0.01% FAR. We assess fingerprint quality using standard metrics (NFIQ2, MINDTCT), and notably, matching experiments confirm strong privacy preservation, with no significant evidence of identity leakage, confirming the strong privacy-preserving properties of our synthetic datasets.
Abstract（参考訳）: 大規模な指紋データセットは、トレーニングと評価に重要であるが、厳格なプライバシー対策を収集し要求するために時間と費用がかかる。研究者たちはこれらの問題に対処するために、合成指紋データの利用を検討している。本稿では,生体情報収集におけるプライバシ,コスト,アクセシビリティに関する懸念に対処するため,合成指紋画像(スプーフとライブの両方)を作成するための新しいアプローチを提案する。提案手法は, 特定の指の身元(小指)を条件とした高精細な合成生指紋を作成するために, 条件付きStyleGAN2-ADAおよびStyleGAN3アーキテクチャを用いている。さらに,CycleGANを用いて現実的なスプーフ指紋に変換し,様々なプレゼンテーション攻撃材料(例えば,EcoFlex,Play-Doh)をシミュレートする。これらの合成スプーフ指紋は、堅牢なスプーフ検出システムの開発に不可欠である。これらの生成モデルを用いて、2つの合成データセット(DB2とDB3)を作成し、それぞれが10指に複数の印象を持つ1500個の指紋画像を含み、8種類の材料に対応するスプーフを含んでいる。その結果,我々のStyleGAN3モデルはFr'echet Inception Distance(FID)を5以下の低速で達成し,生成した指紋はFalse Accept Rate 0.01%で99.47%の真の受容率を達成した。 StyleGAN2-ADAモデルは、同じ0.01%のFARで98.67%のTARを達成した。我々は,標準指標(NFIQ2,MINDTCT)を用いて指紋の質を評価するとともに,一致実験により強いプライバシー保護が確認できたが,本人性漏洩の有意な証拠はなく,我々の合成データセットの強いプライバシー保護特性が確認された。

関連論文リスト

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)
Synthetic Latent Fingerprint Generation Using Style Transfer [6.530917936319386]
そこで我々は,現実的な潜伏指紋を合成するために,スタイル転送と画像ブレンディングを用いたシンプルで効果的なアプローチを提案する。評価基準と実験により,生成した合成潜伏指紋は,入力された接触指紋から識別情報を保存していることが示された。
論文参考訳（メタデータ） (2023-09-27T15:47:00Z)
A Universal Latent Fingerprint Enhancer Using Transformers [47.87570819350573]
本研究の目的は,ULPrintと呼ばれる高速なフィンガープリント方式を開発し,様々な潜伏指紋のタイプを増強することである。クローズドセットの識別精度実験では、MSU-AFISの性能は61.56%から75.19%に向上した。
論文参考訳（メタデータ） (2023-05-31T23:01:11Z)
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)
A Comparative Study of Fingerprint Image-Quality Estimation Methods [54.84936551037727]
画質の悪い画像は、突発的で欠落した特徴をもたらし、システム全体の性能を低下させる。本稿では,指紋画像品質評価のための既存手法について概説する。また,指紋画像品質推定アルゴリズムの選定も行った。
論文参考訳（メタデータ） (2021-11-14T19:53:12Z)
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)

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。