[논문 리뷰] Finger-GAN: Generating Realistic Fingerprint Images Using Connectivity Imposed GAN

Shervin Minaee, AmirAli Abdolrashidi|arXiv (Cornell University)|2018. 12. 25.

Biometric Identification and Security참고 문헌 34인용 수 47

한 줄 요약

Finger-GAN은 DC-GAN을 사용하고 총변동 정규화 항을 통해 현실적이고 연결된 지문 이미지를 생성하며, FVC-2006 및 PolyU 데이터셋에서 경쟁력 있는 FID 점수로 평가됩니다.

ABSTRACT

Generating realistic biometric images has been an interesting and, at the same time, challenging problem. Classical statistical models fail to generate realistic-looking fingerprint images, as they are not powerful enough to capture the complicated texture representation in fingerprint images. In this work, we present a machine learning framework based on generative adversarial networks (GAN), which is able to generate fingerprint images sampled from a prior distribution (learned from a set of training images). We also add a suitable regularization term to the loss function, to impose the connectivity of generated fingerprint images. This is highly desirable for fingerprints, as the lines in each finger are usually connected. We apply this framework to two popular fingerprint databases, and generate images which look very realistic, and similar to the samples in those databases. Through experimental results, we show that the generated fingerprint images have a good diversity, and are able to capture different parts of the prior distribution. We also evaluate the Frechet Inception distance (FID) of our proposed model, and show that our model is able to achieve good quantitative performance in terms of this score.

연구 동기 및 목표

• 생체 인식 연구 및 테스트를 돕기 위한 합성 지문 생성에 동기를 부여한다.
• 실제 샘플과 유사한 현실적인 지문 이미지를 생성하는 GAN 기반 프레임워크를 개발한다.
• 생성된 지문의 연결성을 촉진하기 위해 연결된 리드선을 장려하는 정규화 항을 도입한다.
• 공개 지문 데이터베이스에서 정량적 지표와 시각적 분석을 사용하여 이미지의 리얼리즘과 다양성을 평가한다.

제안 방법

• 핵심 생성기 및 판별기로 딥 컨볼루션 GAN (DC-GAN)을 사용한다.
• 생성된 이미지에서 지문 리지의 연결성을 촉진하기 위해 총변동(TV)을 기반으로 하는 정규화 항을 도입한다.
• TV 정규화를 보강한 표준 GAN 목표를 사용하여 엔드투엔드로 학습한다: L_GAN-TV = E[log D(x)] + E[log(1−D(G(z)))] + λ TV(G(z)).
• 배치 정규화와 Leaky ReLU 활성화를 사용하여 4층 판별기와 5층 생성기 아키텍처를 채택한다.
• 두 지문 데이터베이스(FVC-2006 DB2-A 및 PolyU DB-II)의 64x64 중앙 자르고로 120 에포크, 배치 사이즈 40, Adam 옵티마이저로 학습한다.

실험 결과

연구 질문

• RQ1 GAN이 실제 지문과 시각적으로 유사한 지문 유사 질감을 생성하는 법을 학습할 수 있는가?
• RQ2 총변동 기반 연결성 정규화 항을 추가하는 것이 생성된 지문의 리드 연결성과 리얼리즘을 개선하는가?
• RQ3 다른 잠재 입력(latent input)과 학습 에포크에 걸친 합성 지문은 얼마나 다양하고 현실적인가?
• RQ4 실제 비슷한 지문 샘플에서 Fréchet Inception Distance (FID)로 측정한 Finger-GAN의 정량적 성능은 어떠한가?

주요 결과

• Finger-GAN은 테스트한 데이터베이스의 실제 샘플과 닮고 매우 현실적으로 보이는 지문 이미지를 생성한다.
• 생성된 이미지는 샘플 간 현저한 다양성을 보이고 학습 에포크가 진행될수록 리얼리즘이 향상된다.
• TV 정규화는 연결된 리지선을 촉진하여 지문에서 볼 수 있는 자연스러운 연결성에 기여한다.
• FID 점수는 공용 이미지 데이터셋에서 최신 GAN 모델에 비해 경쟁력 있는 정량적 성능을 나타낸다.
• 판별기와 생성기의 손실은 훈련 중에 안정적으로 변화하여 두 데이터셋의 학습 동학을 반영한다.
• 에포크에 걸친 시각적 결과는 지문 세부 묘사의 점진적 선명화와 리얼리즘을 보여준다.