A light-weight generative adversarial network for fingerprint patch generation

Abstract

Generating fingerprint images for biometric purposes is both necessary and challenging. In this thesis, we presented a fingerprint generation approach based on a generative adversarial network [1]. To ensure GAN training stability, we have introduced conditional loss doping that allows a continuous flow of gradients. Our study utilizes a careful combination of a residual network and spectral normalization [2] to generate fingerprints. The proposed average residual connection shows more immunity against vanishing gradients than a simple residual connection. Spectral normalization allows our network to enjoy reduced variance in weight generation, which further stabilizes the training [2]. The proposed scheme uses spectral bounding only in the input and the fully connected layers. Our network synthesized fingerprints up to 256 by 256 in size. We used the multi-scale structural similarity (MS-SSIM) metric [3] for measuring the diversity of the generated samples. Our model has achieved 0.23 MS-SSIM scores for the generated fingerprints. The MS-SSIM score indicates that the proposed scheme is more likely to produce more diverse images and less likely to face mode collapse.|생체 인식 목적으로 지문 이미지를 생성하는 것은 필수적이면서도 어려운 일입니다. 이 논문에서 우리는 생성 적 적대 네트워크 [1] 에 기반한 지문 생성 접근법을 제시했습니다. GAN 훈련 안정성을 보장하기 위해 지속적으로 기울기 흐름을 허용하는 조건부 손실 도핑을 도입했습니다. 우리의 연구는 ‘레즈넷(ResNet, Residual Network) ’과 스펙트럼 정규화 [2]의 신중한 조합을 사용하여 지문을 생성합니다. 제안 된 평균 잔류 연결은 단순한 잔류 연결보다 소실 기울기에 대한 내성이 더 큽니다. 스펙트럼 정규화를 사용하면 네트워크에서 가중치 생성의 분산을 줄일 수 있으므로 훈련 [2] 를 더욱 안정화 할 수 있습니다. 제안 된 방식은 입력 계층과 완전 연결 계층에서만 스펙트럼 경계를 사용합니다. 네트워크는 최대 256 x 256 크기의 지문을 합성했습니다. 생성 된 샘플의 다양성을 측정하기 위해 다중 스케일 구조적 유사성 (MS-SSIM) 메트릭 [3] 를 사용했습니다. 우리 모델은 생성 된 지문에 대해 0.23 MS-SSIM 점수를 달성했습니다. MS- SSIM 점수는 제안 된 방식이 더 다양한 이미지를 생성 할 가능성이 더 높고 모드 붕괴에 직면 할가능성이 적음을 나타냅니다.