[論文レビュー] Finger-GAN: Generating Realistic Fingerprint Images Using Connectivity Imposed GAN

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

Biometric Identification and Security参考文献 34被引用数 47

ひとこと要約

Finger-GAN は DC-GAN を用い、総変動正則化項を組み込んで現実的で連結した指紋画像を生成する。FVC-2006 および PolyU データセットで競争力のあるFIDスコアを評価。

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.

研究の動機と目的

• Synthetic fingerprint generation を動機づけ、バイオメトリクス研究とテストを支援する。
• GAN ベースのフレームワークを開発し、実 samples に近い現実的な指紋画像を生成する。
• generated fingerprints の ridge ラインの連結性を促す正則化項を導入して連結性を強制する。
• public fingerprint databases を用いた定量指標と視覚解析で画像の現実性と多様性を評価する。

提案手法

• core の generator および discriminator として Deep Convolutional GAN (DC-GAN) を用いる。
• 生成画像の指紋リジンの連結性を促進する総変動 (TV) に基づく正則化項を導入する。
• 標準的な GAN 目的に TV 正則化子を加えたエンドツーエンドの訓練： L_GAN-TV = E[log D(x)] + E[log(1−D(G(z)))] + λ TV(G(z))。
• Batch normalization と Leaky ReLU 活性化を用いた 4 レイヤーの discriminator と 5 レイヤーの generator アーキテクチャを採用する。
• FVC-2006 DB2-A および PolyU DB-II の 64x64 センタルクロップを用いて 120 エポック、バッチサイズ 40、Adam オプティマイザで訓練する。

実験結果

リサーチクエスチョン

• RQ1 GAN は real fingerprints に視覚的に似た fingerprint-like texture を生成できるか？
• RQ2 TV ベースの connectivity 正則化子を加えると ridge の連結性と現実性は改善されるか？
• RQ3 潜在入力と訓練エポックの違いを超えて、合成指紋はどの程度多様で現実的か？
• RQ4 実際の指紋サンプルに対して Finger-GAN の定量的性能は Fréchet Inception Distance (FID) でどう評価されるか？

主な発見

Model/Database	Frechet Inception Distance
DC-GAN/ FVC Fingerprint	70.5

• Finger-GAN は試験データベースから現実的で real samples に似た指紋画像を生成する。
• 生成画像はサンプル間で目立った多様性を示し、訓練エポックごとに現実性が向上する。
• TV 正則化は連結した ridge ラインを促進し、指紋の自然な連結性を助ける。
• FID スコアは public image datasets の最先端 GAN モデルと比較して定量的に競争力があることを示す。
• ディスクリミネータとジェネレータの損失は訓練中に安定して進化し、両データセットで学習ダイナミクスを反映している。
• エポックを跨いだ視覚結果は指紋のディテールの徐々のシャープ化と現実性を示す。