論文の概要: When Humans Judge Irises: Pupil Size Normalization as an Aid and Synthetic Irises as a Challenge

• arxiv url: http://arxiv.org/abs/2601.06725v1
• Date: Sun, 11 Jan 2026 00:08:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.953947
• Title: When Humans Judge Irises: Pupil Size Normalization as an Aid and Synthetic Irises as a Challenge
• Title（参考訳）: 人間のプライドを判断する: プライドとしてのプルプルサイズ正規化と課題としてのシンセティックイライズ
• Authors: Mahsa Mitcheff, Adam Czajka,
• Abstract要約: 本稿では,2つの制御シナリオにおける虹彩検証における人体性能について検討する。 最新のオートエンコーダに基づく画像から画像への変換モデルでは、精度が大幅に向上する。 被験者は、両方の画像が本物か合成されたとき、虹彩対が同じ目と異なる目と一致するかどうかを判断することができた。
• 参考スコア（独自算出の注目度）: 4.073622439295506
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Iris recognition is a mature biometric technology offering remarkable precision and speed, and allowing for large-scale deployments to populations exceeding a billion enrolled users (e.g., AADHAAR in India). However, in forensic applications, a human expert may be needed to review and confirm a positive identification before an iris matching result can be presented as evidence in court, especially in cases where processed samples are degraded (e.g., in post-mortem cases) or where there is a need to judge whether the sample is authentic, rather than a result of a presentation attack. This paper presents a study that examines human performance in iris verification in two controlled scenarios: (a) under varying pupil sizes, with and without a linear/nonlinear alignment of the pupil size between compared images, and (b) when both genuine and impostor iris image pairs are synthetically generated. The results demonstrate that pupil size normalization carried out by a modern autoencoder-based identity-preserving image-to-image translation model significantly improves verification accuracy. Participants were also able to determine whether iris pairs corresponded to the same or different eyes when both images were either authentic or synthetic. However, accuracy declined when subjects were comparing authentic irises against high-quality, same-eye synthetic counterparts. These findings (a) demonstrate the importance of pupil-size alignment for iris matching tasks in which humans are involved, and (b) indicate that despite the high fidelity of modern generative models, same-eye synthetic iris images are more often judged by humans as different-eye images, compared to same-eye authentic image pairs. We offer data and human judgments along with this paper to allow full replicability of this study and future works.
• Abstract（参考訳）: 虹彩認識は、目覚ましい精度とスピードを提供する成熟した生体認証技術であり、10億人以上の登録ユーザー(インドのAADHAARなど)への大規模展開を可能にする。 しかし、法医学的応用においては、例えば、処理されたサンプルが劣化した(例えば、死後事件)場合、特に、提示攻撃の結果ではなく、サンプルが本物かどうかを判断する必要がある場合において、虹彩マッチング結果が証拠として提示される前に、人間の専門家が肯定的な識別をレビューし確認する必要がある。 本稿では,2つの制御シナリオにおける虹彩検査における人的パフォーマンスについて検討する。 (a)異なる瞳孔の大きさ、比較画像間の瞳孔の大きさの直線的・非線形的アライメントの有無、及び b) 真と偽の両方の虹彩画像対が合成生成されたとき。 その結果,現代のオートエンコーダを用いた画像・画像翻訳モデルによる瞳孔サイズ正規化は,検証精度を著しく向上させることが示された。 また、両方の画像が本物か合成されたとき、虹彩対が同じ目と異なる目と一致するかどうかを判断することができた。 しかし、被験者が本物のアイライズを高品質で同じ目で合成されたアイライズと比較すると、精度は低下した。 これらの発見 (a)人間が関与する虹彩マッチング作業における瞳孔径アライメントの重要性を示し、 (b) 近代的な生成モデルの忠実度が高いにもかかわらず、同眼合成虹彩像は、同眼合成虹彩像対と比較して、人間によって異なる眼像と判断されることが多いことを示唆する。 我々は,本研究と今後の研究の完全な再現性を実現するために,本論文とともにデータと人的判断を提供する。

関連論文リスト

• A Siamese Network to Detect If Two Iris Images Are Monozygotic [7.082273060309677]
  我々は,一対の虹彩画像をモノジゴティックアイライズや非モノジゴティックアイライズに分類するために,シームズネットワークアーキテクチャとコントラスト学習を採用している。 本手法は, 単接合型虹彩対のヒト分類において, 従来報告されていたものを超える全虹彩画像を用いて精度を向上する。
  論文  参考訳（メタデータ） (2025-03-12T18:48:38Z)
• EyePreserve: Identity-Preserving Iris Synthesis [8.468443367440052]
  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。
  論文  参考訳（メタデータ） (2023-12-19T10:29:29Z)
• 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)
• Image Statistics Predict the Sensitivity of Perceptual Quality Metrics [44.077177515227554]
  画像の確率から、このリンクが数学的にどのように表現されるかは定かではない。 本稿では,自然画像の生成モデルを用いて画像の確率を評価する。 我々は,現在最先端の主観的画像品質指標の感度を予測するために,確率関連因子をどのように組み合わせることができるか分析する。
  論文  参考訳（メタデータ） (2023-03-17T10:38:27Z)
• GraVIS: Grouping Augmented Views from Independent Sources for Dermatology Analysis [52.04899592688968]
  皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。 GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
  論文  参考訳（メタデータ） (2023-01-11T11:38:37Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• SynFace: Face Recognition with Synthetic Data [83.15838126703719]
  我々は、ID混在(IM)とドメイン混在(DM)を併用したSynFaceを考案し、パフォーマンスギャップを緩和する。 また、合成顔画像の系統的実験分析を行い、合成データを顔認識に効果的に活用する方法についての知見を提供する。
  論文  参考訳（メタデータ） (2021-08-18T03:41:54Z)
• 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)

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。