論文の概要: FVeinSyn: Synthetic Finger Vein Image Generator

• arxiv url: http://arxiv.org/abs/2608.27527v1
• Date: Thu, 27 Aug 2026 14:46:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.099229
• Title: FVeinSyn: Synthetic Finger Vein Image Generator
• Title（参考訳）: FVeinSyn:合成フィンガーベイン画像生成装置
• Abstract要約: 指静脈認識における大きな課題は、大規模な公開データセットの欠如である。 指静脈用大規模制御可能な合成データ生成フレームワークであるFVeinSynを提案する。
• 参考スコア（独自算出の注目度）: 75.79003800700403
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A major challenge in finger vein recognition is the lack of large-scale public datasets. Existing datasets contain few identities and limited samples per finger, restricting the advancement of deep learning-based methods. To address this, we propose FVeinSyn, a large-scale controllable synthetic data generation framework for finger vein. It explicitly decouples synthesis of vascular topology and imaging appearance to mitigate the limitations caused by insufficient training samples, such as inadequate identity diversity and restricted realism. Specifically: first, a finger vein identity generator models vascular topology under physiological and geometric constraints using stochastic L-systems, producing anatomically valid and identity-distinctive vascular patterns. Then, a cascaded region-aware GAN renders the topological maps into realistic near-infrared images. Finally, an intra-class diversity generator introduces geometric and optical perturbations to simulate realistic intra-class variations. Using FVeinSyn, we generated 500,000 images (10,000 vein identities, 50 samples per identity) and conducted extensive evaluations. Results show that FVeinSyn holds significant advantages in realism, identity diversity, vascular pattern consistency, and intra-class diversity. Models trained with FVeinSyn outperform real-data-only baselines a cross eight public datasets, achieving an average accuracy improvement of 27.43\%. The code is available at: https://github.com/EvanWang98/Synthetic-Finger-Vein-Generator.
• Abstract（参考訳）: 指静脈認識における大きな課題は、大規模な公開データセットの欠如である。 既存のデータセットには、指1本あたりのアイデンティティと限られたサンプルが含まれており、ディープラーニングベースの手法の進歩を制限している。 そこで本研究では指静脈のための大規模制御可能な合成データ生成フレームワークであるFVeinSynを提案する。 血管のトポロジーと画像の外観の合成を明示的に切り離し、不適切なアイデンティティの多様性や制限されたリアリズムといった不十分なトレーニングサンプルによって引き起こされる制限を緩和する。 まず、指静脈識別生成器は、確率的L-システムを用いて生理的および幾何学的制約の下で血管トポロジーをモデル化し、解剖学的に妥当で識別に優れた血管パターンを生成する。 そして、カスケードされた領域認識GANは、トポロジカルマップをリアルな近赤外線画像にレンダリングする。 最後に、クラス内の多様性生成器は、幾何学的および光学的摂動を導入し、クラス内の現実的な変動をシミュレートする。 FVeinSynを用いて50万枚の画像(静脈の同一性10,000点,同一性50点)を生成し,広範囲な評価を行った。 その結果、FVeinSynは、現実主義、アイデンティティーの多様性、血管パターンの整合性、クラス内多様性において大きな優位性を持っていることが明らかとなった。 FVeinSynでトレーニングされたモデルは、実データのみのベースラインを8つのパブリックデータセットで上回り、平均精度が27.43\%向上した。 コードはhttps://github.com/EvanWang98/Synthetic-Finger-Vein-Generator.comで公開されている。

関連論文リスト

• Recursive Variational Autoencoders for 3D Blood Vessel Generative Modeling [0.7722830505405722]
  階層構造をフル活用する再帰変動ニューラルネットワーク(RvNN)を開発した。 RvNNは、ターゲット表面を記述する幾何学的特徴とともに、分岐接続を符号化する低次元多様体を学習する。 我々は、正確で多様な血管の3Dモデルを生成し、医療や外科訓練、血行動態シミュレーション、その他多くの目的に欠かせない。
  論文  参考訳（メタデータ） (2025-06-17T18:47:27Z)
• FingerVeinSyn-5M: A Million-Scale Dataset and Benchmark for Finger Vein Recognition [72.52509163913626]
  FVeinSynは多種多様な指静脈パターンを生成できる合成ジェネレータである。 FVeinSynを使ってFingerVeinSyn-5Mを作りました。 FingerVeinSyn-5Mで事前訓練されたモデルは、複数のベンチマークで平均53.91%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2025-06-04T07:27:33Z)
• Synthetic Data for Blood Vessel Network Extraction [18.95453617434051]
  脳内の血管ネットワークは脳卒中研究において重要な役割を担っている。 顕微鏡データから 詳細なトポロジカル血管網情報を抽出することは 重要な課題です この研究は、合成データ生成とディープラーニングを組み合わせることで、体積顕微鏡データから容器ネットワークをグラフとして抽出する。
  論文  参考訳（メタデータ） (2025-04-16T08:29:46Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• A Value Mapping Virtual Staining Framework for Large-scale Histological Imaging [36.95712533471744]
  各種条件に適応可能な汎用仮想染色フレームワークを提案する。 そこで本研究では,異なる病態間の仮想色付けの精度を確保するために,値マッピング制約に基づく損失関数を提案する。
  論文  参考訳（メタデータ） (2025-01-07T07:45:21Z)
• GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
  フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。 公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。 我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
  論文  参考訳（メタデータ） (2024-02-03T03:13:50Z)
• Rethinking the Up-Sampling Operations in CNN-based Generative Network for Generalizable Deepfake Detection [86.97062579515833]
  我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。 tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。 この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
  論文  参考訳（メタデータ） (2023-12-16T14:27:06Z)
• Deep Angiogram: Trivializing Retinal Vessel Segmentation [1.8479315677380455]
  本研究では,無関係な特徴をフィルタリングし,深部血管造影という潜像を合成するコントラスト型変分自動エンコーダを提案する。 合成ネットワークの一般化性は、画像コントラストとノイズの特徴の変動に敏感なモデルを実現するコントラスト損失によって改善される。
  論文  参考訳（メタデータ） (2023-07-01T06:13:10Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)

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。