[論文レビュー] SynFi: Automatic Synthetic Fingerprint Generation

M. Sadegh Riazi, Seyed M. Chavoshian+1 more|arXiv (Cornell University)|Feb 16, 2020

Biometric Identification and Security参考文献 17被引用数 14

ひとこと要約

SynFiは、GANおよび超解像技術を活用したフレームワークを提案し、スケールに応じて高忠実度で計算的に区別不能な合成指紋を生成する。限られた実指紋データを用いて訓練することで、最良の機械学習分類器ですら、合成指紋と実指紋を識別する能力がランダムチャンスよりわずかに0.43%高い水準にとどまることを示している。

ABSTRACT

Authentication and identification methods based on human fingerprints are ubiquitous in several systems ranging from government organizations to consumer products. The performance and reliability of such systems directly rely on the volume of data on which they have been verified. Unfortunately, a large volume of fingerprint databases is not publicly available due to many privacy and security concerns. In this paper, we introduce a new approach to automatically generate high-fidelity synthetic fingerprints at scale. Our approach relies on (i) Generative Adversarial Networks to estimate the probability distribution of human fingerprints and (ii) Super-Resolution methods to synthesize fine-grained textures. We rigorously test our system and show that our methodology is the first to generate fingerprints that are computationally indistinguishable from real ones, a task that prior art could not accomplish.

研究の動機と目的

• プライバシーおよびセキュリティ上の懸念から、公開利用可能な指紋データベースが不足している問題に対処すること。
• 重要なミヌーティア特徴（ラインエンドや分岐点など）を保持する高品質なフルフィンガープrint合成指紋を生成すること。
• 合成指紋が計算的に実指紋と区別不能であることを保証し、セキュリティが重要な応用分野での利用を可能にすること。
• 手動での特徴工学を一切行わず、完全に自動化されスケーラブルなシステムを構築すること。
• 敵対的耐性およびデータベースのアンバランス緩和を含む、指紋ベースのシステムの強固な評価を支援すること。

提案手法

• 指紋生成を2つの並列なディープラーニングタスクとして定式化：グローバル構造のための条件付きGANと、微細なテクスチャのための超解像。
• GANの入力としてノイズベクトルを用い、ランダム初期化から多様な高レベルの指紋パターンを生成する。
• 超解像ネットワークを活用して、低解像度のGAN出力を強化し、リッジやミヌーティアなどのマイクロ特徴を回復する。
• 実指紋の真の分布を学習するために、ミニマックス目的関数を用いてGANを訓練する。
• 構造的およびテクスチャ的忠実度を保つために、超解像ブランチでマルチスケール損失関数を適用する。
• 6種類の多様な機械学習モデル（LR、SVM、RF、DNN）を用いた二値分類タスクを通じて、区別不能性を検証する。

実験結果

リサーチクエスチョン

• RQ1 限られたデータで高忠実度の指紋をスケールに応じて生成可能であり、重要なミヌーティア特徴を保持できるか？
• RQ2 合成指紋をどれほど計算的に実指紋と区別不能にできるか？
• RQ3 ディープラーニングベースの生成が、従来の数学的モデルや低データ量のディープラーニング手法の限界を克服できるか？
• RQ4 最先端の分類器は、合成指紋と実指紋をどれほど正確に識別できるか？
• RQ5 合成指紋は、バイオメトリクスストレージシステムのセキュリティ強化に利用可能か？

主な発見

• 最も性能の高かった分類器（4層DNN）でも、合成指紋と実指紋の識別精度はわずか50.43%にとどまり、ほぼランダムな性能であることが示された。
• 全モデルにおける偽陽性率（FPR）は24%未満で推移し、偽陰性率（FNR）は77%を超えていたため、識別能力が極めて低いことが確認された。
• 受信者操作特性（ROC）曲線では、どの分類器もランダム推測を上回ることはできず、すべての曲線が対角線ベースラインに密集していた。
• 合成指紋は視覚的および構造的にNISTデータセットの実サンプルと類似しており、リッジ構造、分岐点、リッジエンドが保持されていた。
• 手動での特徴工学を一切行わず、フルフィンガープリントを生成可能であり、高いスケーラビリティを実現した。
• GitHub上のオープンソース実装により、研究コミュニティによる再現性、検証、拡張が可能になった。