論文の概要: Continual Few-shot Adaptation for Synthetic Fingerprint Detection

• arxiv url: http://arxiv.org/abs/2603.14632v1
• Date: Sun, 15 Mar 2026 22:06:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.927668
• Title: Continual Few-shot Adaptation for Synthetic Fingerprint Detection
• Title（参考訳）: 合成指紋検出のための連続Few-shot Adaptation
• Authors: Joseph Geo Benjamin, Anil K. Jain, Karthik Nandakumar,
• Abstract要約: 合成された指紋画像は、生成人工知能(GenAI)の進歩によって、過去10年間で著しく増加してきた。 これにより、指紋認証システムのデータインジェクション攻撃に対する脆弱性が悪化した。 指紋画像が本物か合成されているかを検出する方法が緊急に必要である。
• 参考スコア（独自算出の注目度）: 35.87507447481885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The quality and realism of synthetically generated fingerprint images have increased significantly over the past decade fueled by advancements in generative artificial intelligence (GenAI). This has exacerbated the vulnerability of fingerprint recognition systems to data injection attacks, where synthetic fingerprints are maliciously inserted during enrollment or authentication. Hence, there is an urgent need for methods to detect if a fingerprint image is real or synthetic. While it is straightforward to train deep neural network (DNN) models to classify images as real or synthetic, often such DNN models overfit the training data and fail to generalize well when applied to synthetic fingerprints generated using unseen GenAI models. In this work, we formulate synthetic fingerprint detection as a continual few-shot adaptation problem, where the objective is to rapidly evolve a base detector to identify new types of synthetic data. To enable continual few-shot adaptation, we employ a combination of binary cross-entropy and supervised contrastive (applied to the feature representation) losses and replay a few samples from previously known styles during fine-tuning to mitigate catastrophic forgetting. Experiments based on several DNN backbones (as feature extractors) and a variety of real and synthetic fingerprint datasets indicate that the proposed approach achieves a good trade-off between fast adaptation for detecting unseen synthetic styles and forgetting of known styles.
• Abstract（参考訳）: 合成指紋画像の品質と現実性は、生成人工知能(GenAI)の進歩によって、過去10年間で著しく向上している。 これにより、指紋認識システムの脆弱性が悪化し、データインジェクション攻撃では、登録や認証中に合成指紋が悪意を持って挿入される。 したがって、指紋画像が本物か合成されているかを検出する方法が緊急に必要である。 ディープニューラルネットワーク(DNN)モデルを訓練して、イメージをリアルまたはシンセサイザーとして分類することは簡単だが、そのようなDNNモデルはトレーニングデータに過度に適合し、目に見えないGenAIモデルを使用して生成された合成指紋に適用すると、うまく一般化できないことが多い。 本研究は, 合成指紋検出を連続的少数ショット適応問題として定式化し, そこでは, 新しいタイプの合成データを特定するために, ベース検出器を急速に進化させることが目的である。 連続的な小ショット適応を実現するため,二進的クロスエントロピーと教師付きコントラスト的ロス(特徴表現に適応)を組み合わせて,ファインチューニング中に既知のスタイルのサンプルをいくつか再生し,破滅的な忘れを軽減した。 いくつかのDNNバックボーン(特徴抽出器)と様々な実・合成指紋データセットに基づく実験により、提案手法は、未知の合成スタイルを検出するための高速適応と、既知のスタイルの忘れとのトレードオフを達成できることが示されている。

関連論文リスト

• Deep Learning Models for Robust Facial Liveness Detection [56.08694048252482]
  本研究では,現代のアンチスプーフィング手法の欠陥に対処する新しい深層学習モデルを用いて,ロバストな解を提案する。 テクスチャ解析と実際の人間の特性に関連する反射特性を革新的に統合することにより、我々のモデルは、顕著な精度でレプリカと真の存在を区別する。
  論文  参考訳（メタデータ） (2025-08-12T17:19:20Z)
• Enhancing Fingerprint Image Synthesis with GANs, Diffusion Models, and Style Transfer Techniques [0.44739156031315924]
  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。
  論文  参考訳（メタデータ） (2024-03-20T18:36:30Z)
• 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)
• Is synthetic data from generative models ready for image recognition? [69.42645602062024]
  本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。 本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-10-14T06:54:24Z)
• 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)
• SynCoLFinGer: Synthetic Contactless Fingerprint Generator [14.92708078957906]
  提案手法は1本の指に対応する異なる合成サンプルを生成することができる。 生体試料の品質を評価することにより、合成された非接触指紋と実際の指紋との類似性を確認する。
  論文  参考訳（メタデータ） (2021-10-18T09:56:07Z)
• 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)
• 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。