[논문 리뷰] ResWCAE: Biometric Pattern Image Denoising Using Residual Wavelet-Conditioned Autoencoder

Youzhi Liang, Liang Wen|arXiv (Cornell University)|2023. 07. 23.

Biometric Identification and Security인용 수 46

한 줄 요약

ResWCAE는 지문 이미지를 노이즈 제거하기 위해 KL-발산 정규화를 갖춘 가벼운 잔여 웨이브렛 조건의 합성곱 자동인코더를 도입하여, 특히 심한 노이즈에서 최첨단 방법을 능가합니다.

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.

연구 동기 및 목표

• 높은 노이즈 수준에서 소형 IoT 기기에 대해 신뢰할 수 있는 생체 패턴 노이즈 제거를 촉진한다.
• 일반 이미지가 아닌 지문 패턴에 맞춘 경량 아키텍처를 개발한다.
• 잔여 연결과 웨이브렛-도메인 조건화를 통해 미세한 공간 지문 특징을 보존한다.
• 일반화 능력을 향상시키고 과적합을 방지하기 위해 KL-발산 정규화를 도입한다.

제안 방법

• 이미지 인코더와 웨이브렛 인코더의 두 인코더와 단일 디코더를 갖는 Res-WCAE를 제안한다.
• 인코더와 디코더 사이에 잔여 연결을 사용하여 공간적 세부 정보를 보존한다.
• 이미지 및 웨이브렛 인코더로부터의 융합 표현에 의해 디코더를 조건화하고, 웨이브렛 서브이미지에 적용된 3-층 CNN을 통해 웨이브렛 도메인 특징을 포함한다.
• 손실에 KL-발산 정규화를 적용한다: L(Θ)=E[I]||y_D^[L]-I||^2 + λ E[y] D_KL(y_D^[L] || I).
• 입력을 2D 그레이스케일 지문으로 처리하고; 웨이브렛 입력으로 최대 3단계까지의 Symlets 웨이브렛 분해를 활용한다.
• SOCOFing 데이터셋에서 AWGN 노이즈 레벨 σ가 [100,200]인 경우를 기준으로 기본 모델과 함께 학습 및 평가한다.

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, $\hat{\bm{I}}(103,96)$ .

실험 결과

연구 질문

• RQ1 Res-WCAE가 심한 노이즈에서 기존 지문 노이즈 제거 방법을 능가할 수 있는가?
• RQ2 이미지 도메인 및 웨이브렛 도메인 특징 모두를 이용해 디코더를 조건화하는 것이 지문 미세 특징의 복원을 향상시키는가?
• RQ3 소형 기기에서 지문 노이즈 제거의 일반화에 KL-발산 정규화가 유익한가?
• RQ4 잡음 조건에서 Res-WCAE가 최첨단 모델(U-Finger, Fpd-m-net 등)과 비교해 어떤 성능을 보이는가?

주요 결과

모델	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-WCAE는 AWGN-지문 노이즈 제거에서 σ=100일 때 비교 모델 중 가장 높은 PSNR과 SSIM, 그리고 가장 낮은 MSE를 달성한다.
• Res-WCAE는 PSNR=17.88, SSIM=0.79, MSE=0.02를 얻어 Autoencoder (PSNR=12.77, SSIM=0.69, MSE=0.06) 및 Dense NN (PSNR=10.03, SSIM=0.35, MSE=0.12)을 능가한다.
• Res-WCAE는 제시된 평가에서 최첨단 지문 노이즈 제거 모델인 U-Finger 및 Fpd-m-net을 능가한다.
• 이 방법은 더 넓은 노이즈 범위(σ 최대 200)에서도 강건성을 보이며 노이즈 제거된 지문에서 미세한 특징을 보존한다.
• 다양한 노이즈 수준에 걸쳐 평균적으로 약 7.5 dB의 PSNR 향상을 보인다.

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.