[論文レビュー] ResWCAE: Biometric Pattern Image Denoising Using Residual Wavelet-Conditioned Autoencoder

Youzhi Liang, Liang Wen|arXiv (Cornell University)|Jul 23, 2023

Biometric Identification and Security被引用数 46

ひとこと要約

ResWCAE は KL-divergence 正則化を用いた軽量の残差波ウェーブレット条件付き畳み込みオートエンコーダを導入し、指紋画像のノイズ除去を行い、特に重いノイズ下で最先端手法を上回る。

ABSTRACT

The utilization of biometric authentication with pattern images is increasingly popular in compact Internet of Things (IoT) devices. However, the reliability of such systems can be compromised by image quality issues, particularly in the presence of high levels of noise. While state-of-the-art deep learning algorithms designed for generic image denoising have shown promise, their large number of parameters and lack of optimization for unique biometric pattern retrieval make them unsuitable for these devices and scenarios. In response to these challenges, this paper proposes a lightweight and robust deep learning architecture, the Residual Wavelet-Conditioned Convolutional Autoencoder (Res-WCAE) with a Kullback-Leibler divergence (KLD) regularization, designed specifically for fingerprint image denoising. Res-WCAE comprises two encoders - an image encoder and a wavelet encoder - and one decoder. Residual connections between the image encoder and decoder are leveraged to preserve fine-grained spatial features, where the bottleneck layer conditioned on the compressed representation of features obtained from the wavelet encoder using approximation and detail subimages in the wavelet-transform domain. The effectiveness of Res-WCAE is evaluated against several state-of-the-art denoising methods, and the experimental results demonstrate that Res-WCAE outperforms these methods, particularly for heavily degraded fingerprint images in the presence of high levels of noise. Overall, Res-WCAE shows promise as a solution to the challenges faced by biometric authentication systems in compact IoT devices.

研究の動機と目的

• 高ノイズ条件下でコンパクト IoT デバイス向けの信頼性の高い生体認証パターンのノイズ除去を動機づける。
• 指紋パターンに特化した軽量アーキテクチャを開発する。
• 残差接続とウェーブレットドメイン条件付けを通じて細かな空間的指紋特徴を保持する。
• 一般化を改善し過学習を防ぐために KL-ダイバージェンス正則化を組み込む。

提案手法

• 2つのエンコーダ（画像エンコーダとウェーブレットエンコーダ）と単一デコーダを備える Res-WCAE を提案する。
• エンコーダとデコーダ間に残差接続を用いて空間的ディテールを保持する。
• デコーダを画像エンコーダとウェーブレットエンコーダからの融合表現で条件付けする。ウェーブレットサブ画像に適用した3層CNNを介してウェーブレットドメイン特徴を含める。
• 損失関数に KLダイバージェンス正則化を適用する: L(Θ)=E[I]||y_D^[L]-I||^2 + λ E[y] D_KL(y_D^[L] || I)。
• 入力は2Dグレースケール指紋として処理し、ウェーブレット入力として Symlets ウェーブレット分解を最大3レベルまで使用する。
• SOCOFing データセットで AWGN ノイズレベル σ in [100,200] のベースラインモデルに対して訓練・評価する。

Figure 1: A schematic for the architecture of a Residual Wavelet-Conditioned Convolutional Autoencoder (ResWCAE), including a sample noise-free image, ${\bm{I}(103,96)}$ , and a denoised image, $\hat{\bm{I}}(103,96)$ .

実験結果

リサーチクエスチョン

• RQ1 Can Res-WCAE outperform existing fingerprint denoising methods under heavy noise?
• RQ2 Does conditioning the decoder on both image-domain and wavelet-domain features improve restoration of fingerprint minutiae?
• RQ3 Is KL-divergence regularization beneficial for generalization in fingerprint denoising on compact devices?
• RQ4 How does Res-WCAE perform relative to state-of-the-art models (e.g., U-Finger, Fpd-m-net) across noisy conditions?

主な発見

モデル	σ=100	PSNR	SSIM	MSE
AWGN	7.92	0.45	0.17
Dense NN	10.03	0.35	0.12
Autoencoder	12.77	0.69	0.06
Res-WCAE	17.88	0.79	0.02

• Res-WCAE は AWGN-fingerprint denoising の σ=100 において、比較モデルの中で最も高い PSNR と SSIM を達成し、最も低い MSE を記録した。
• Res-WCAE は PSNR=17.88、SSIM=0.79、MSE=0.02 を示し、Autoencoder (PSNR=12.77、SSIM=0.69、MSE=0.06) および Dense NN (PSNR=10.03、SSIM=0.35、MSE=0.12) を上回る。
• Res-WCAE は報告された評価で最先端の指紋ノイズ除去モデル U-Finger および Fpd-m-net を上回る。
• この手法はより広いノイズ範囲（σ up to 200）に対して頑健性を示し、ノイズ除去後の指紋の微細な細部を保持する。
• 幅広いノイズレベルにわたり平均で約 7.5 dB の PSNR 改善。

Figure 2: Samples of original figures, noisy figures and denoised figures for noise level $\sigma$ from 100 to 200.. Model A: placeholder, Model B: placeholder, Model C: placeholder, Model D: Res-WCAE.