[论文解读] 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 14

一句话总结

SynFi 提出了一种基于 GAN 和超分辨率的框架，可大规模生成高保真、计算上无法区分的合成指纹。通过在有限的真实数据上进行训练，该方法实现了最先进性能，即使是最先进的机器学习分类器，其区分合成指纹与真实指纹的能力也仅比随机猜测高 0.43%。

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.

研究动机与目标

• 为解决由于隐私和安全顾虑导致公开指纹数据库稀缺的问题。
• 生成高质量、完整的合成指纹，同时保留关键纹线特征（如脊线端点和分叉点）。
• 确保合成指纹在计算上无法与真实指纹区分，从而适用于安全关键型应用。
• 开发一种完全自动化、可扩展的系统，无需人工特征工程。
• 支持对基于指纹的系统进行稳健评估，包括对抗鲁棒性与数据集不平衡的缓解。

提出的方法

• 将指纹生成建模为两个并行的深度学习任务：条件 GAN 用于全局结构，超分辨率用于细粒度纹理。
• 使用噪声向量作为 GAN 的输入，从随机初始化生成多样化、高层次的指纹图案。
• 采用超分辨率网络增强低分辨率 GAN 输出，恢复微小特征（如脊线和纹线特征点）。
• 使用最小最大目标函数训练 GAN，以学习真实指纹的真实分布。
• 在超分辨率分支中应用多尺度损失函数，以保持结构和纹理保真度。
• 通过在二分类任务上使用六种不同的机器学习模型（LR、SVM、RF、DNNs）验证不可区分性。

实验结果

研究问题

• RQ1 能否在大规模生成高保真度指纹的同时，保留关键的纹线特征？
• RQ2 合成指纹在多大程度上可实现计算上无法区分于真实指纹？
• RQ3 基于深度学习的生成方法能否克服以往数学模型和低数据深度学习方法的局限性？
• RQ4 最先进分类器在区分合成指纹与真实指纹方面的效果如何？
• RQ5 合成指纹能否用于增强生物特征存储系统的安全性？

主要发现

• 表现最佳的分类器（四层 DNN）在区分合成指纹与真实指纹时的准确率仅为 50.43%，表明其性能接近随机猜测。
• 所有模型的假正例率（FPR）均低于 24%，假负例率（FNR）超过 77%，证实其判别能力极低。
• 受试者工作特征（ROC）曲线显示，没有任何分类器能优于随机猜测，所有曲线均聚集在对角线基线附近。
• 合成指纹在视觉和结构上与真实 NIST 数据集样本相似，保留了脊线结构、分叉点和脊线端点。
• 该框架无需人工特征工程即可成功生成完整手指的指纹图像，实现了高度可扩展性。
• GitHub 上的开源实现使研究社区能够复现、验证和扩展该工作。