[論文レビュー] PrintsGAN: Synthetic Fingerprint Generator

Joshua J. Engelsma, Steven A. Grosz+1 more|arXiv (Cornell University)|Jan 10, 2022

Biometric Identification and Security被引用数 4

ひとこと要約

PrintsGAN は、1本の指に対して複数のインプレッションを備えた高品質で現実的な 512×512 のロールド指紋を生成する GAN ベースの合成指紋生成手法であり、525,000 個の指紋（35,000 種類の異なる指、1 種類あたり 15 インプレッション）からなる大規模な合成データセットの作成を可能にする。この手法を用いて深層指紋埋め込みネットワーク（DeepPrint）を事前学習すると、NIST SD4 において FAR=0.01% の条件下で TAR が 87.03% に向上し、実データのみで学習する場合に比べ顕著に優れた性能を発揮する。

ABSTRACT

A major impediment to researchers working in the area of fingerprint recognition is the lack of publicly available, large-scale, fingerprint datasets. The publicly available datasets that do exist contain very few identities and impressions per finger. This limits research on a number of topics, including e.g., using deep networks to learn fixed length fingerprint embeddings. Therefore, we propose PrintsGAN, a synthetic fingerprint generator capable of generating unique fingerprints along with multiple impressions for a given fingerprint. Using PrintsGAN, we synthesize a database of 525k fingerprints (35K distinct fingers, each with 15 impressions). Next, we show the utility of the PrintsGAN generated dataset by training a deep network to extract a fixed-length embedding from a fingerprint. In particular, an embedding model trained on our synthetic fingerprints and fine-tuned on a small number of publicly available real fingerprints (25K prints from NIST SD302) obtains a TAR of 87.03% @ FAR=0.01% on the NIST SD4 database (a boost from TAR=73.37% when only trained on NIST SD302). Prevailing synthetic fingerprint generation methods do not enable such performance gains due to i) lack of realism or ii) inability to generate multiple impressions per finger. We plan to release our database of synthetic fingerprints to the public.

研究の動機と目的

• 公開利用可能な大規模な指紋データセットが、十分な人数の識別子と1本の指に対して複数のインプレッションを備えているという深刻な不足に対処すること。
• クラス内変動を制御可能な形で、現実的で多様かつ一意の指紋を生成する合成指紋生成手法の開発。
• 固定長の指紋埋め込みと大規模識別に向けた深層学習モデルの性能向上に、合成指紋の有効性を実証すること。
• 実データセットからの情報漏洩がないことを保証することで、プライバシー上の懸念が生じない大規模な合成指紋データベースの公開を可能にすること。

提案手法

• PrintsGAN は、ドメイン知識に基づく合成と深層生成モデリングを組み合わせたマルチステージ GAN パイプラインを採用し、高精細な指紋を生成する。
• まず、条件付き GAN を用いて「マスタープリント」を生成し、その後、幾何学的ワープとクロッピングを適用して異なる指の位置や向きを模倣する。
• 第三段階では、皮膚のテクスチャとリッジの詳細をリアルに再現するためのテクスチャレンダリングを実施し、実指紋の特徴に忠実な品質を確保する。
• モデルは実運用の法医学的指紋データベースを学習データとして用い、GAN 損失と知覚的損失の両方を活用することで、リアルさと構造的正確性を向上させる。
• 指紋の識別子とインプレッションの変動を制御可能にし、1 つの指に対して複数の異なるインプレッションを生成できる。
• 全パイプラインは Tensorflow で実装されており、モデル学習中にリアルタイムで生成が可能で、ストレージの負荷を軽減できる。

実験結果

リサーチクエスチョン

• RQ1 GAN ベースの手法が、実データで学習された深層学習モデルの性能向上に十分現実的な合成指紋を生成できるか？
• RQ2 1 本の指に対して複数のインプレッションを持つ合成指紋が、固定長の指紋埋め込みネットワークの性能を向上させられるか？
• RQ3 合成指紋生成プロセスが、堅牢な指紋認識を可能にする十分なクラス内変動を保持しているか？
• RQ4 実データセットからの情報漏洩がない場合、大規模な合成指紋データベースを安全に公開できるか？

主な発見

• NIST SD302 に含まれる 25,000 個の実指紋で微調整した DeepPrint 埋め込みモデルを、PrintsGAN が生成した合成指紋で事前学習した結果、NIST SD4 ベンチマークで TAR が 13.66% 向上（FAR=0.01% 条件下で 87.03%）し、NIST SD302 のみで学習した場合の 73.37% より顕著に優れた性能を示した。
• DeepPrint モデルを PrintsGAN 生成指紋で事前学習した場合、NIST SD4 におけるランク-1 識別率は 92.05% に達し、NIST SD302 のみで学習した場合の 85.90% より優れた性能を示した。
• ギャラリーに 100,000 個の PrintsGAN 生成指紋を追加した結果、100,000 個の実指紋を追加した場合（92.05% 対 86.80%）と同等の識別性能が得られた。
• ドメイン専門家による評価では、PrintsGAN が生成した指紋のリアルさは実指紋と同等であると評価され、高い知覚的品質が確認された。
• 合成プロセスは計算的にも効率的で、2 枚の RTX 2080 Ti GPU を用いて 1 つの 512×512 指紋を約 99.2ms で生成できる。
• この手法は実データセットからの重要な情報を漏洩させないため、525,000 個の合成指紋データセットを安全に公開することが可能である。