Intra-finger Variability of Diffusion-based Latent Fingerprint Generation¶

会议: CVPR 2026
arXiv: 2604.10040
代码: 无
领域: 图像生成/生物特征
关键词: 指纹合成, 扩散模型, 潜指纹, 身份一致性, 风格多样性

一句话总结¶

本文系统评估了扩散模型合成指纹的同指变异性，通过构建包含40种表面和15种处理技术的潜指纹风格库提升生成多样性，并量化了生成过程中引入的局部/全局身份不一致性。

领域现状：GenAI（GAN和DDPM）已能生成高质量合成指纹数据集。指纹合成通常分两阶段：生成唯一身份（指间变异）和生成同一身份的多种变体（指内变异）。对于潜指纹领域，第二阶段更为关键。

现有痛点：(1) 现有模型依赖整体或随机风格迁移，无法精确指定法医场景（如"从玻璃瓶上提取的用荧光粉显现的潜指纹"）；(2) 生成过程的随机性可能改变指纹脊线和细节点（minutiae），破坏身份真实性。

核心矛盾：多样性和身份保持之间存在张力——增加风格多样性的同时可能引入更多身份不一致。

本文目标：(1) 增强潜指纹生成的风格多样性；(2) 严格量化身份保持能力。

切入角度：构建包含28,000张真实潜指纹的风格库实现精确风格控制，并设计半自动化框架评估身份一致性。

核心idea：通过风格库实现40+种可控潜指纹风格，同时揭示扩散模型在低质量区域的局部不一致和风格-参考不匹配时的全局不一致。

基于GenPrint框架的第二阶段扩展：(1) 从7个数据集策划28,000张真实潜指纹构建风格库，覆盖40种表面和15种处理技术；(2) 使用风格嵌入精确控制生成的潜指纹风格；(3) 通过半自动化框架对比参考图像和生成图像的细节点和脊线模式。

潜指纹风格库:
- 功能：实现精确的潜指纹风格控制
- 核心思路：从7个多样化数据集中策划28,000张真实潜指纹，分类为40种表面（玻璃、金属、纸张等）和15种处理技术（粉末、化学、光学等），共40+种离散风格。每种风格提取嵌入作为GenPrint的条件输入
- 设计动机：GenPrint原始能力局限于通用或随机潜指纹风格，无法生成特定法医场景的潜指纹
身份一致性半自动化评估框架:
- 功能：量化生成过程中引入的细节点和脊线变化
- 核心思路：使用带手动标注的参考指纹生成合成版本，对齐后比较：(1) 局部不一致——细节点的增加和移除（用自动检测器+人工验证）；(2) 全局不一致——不存在于参考中的整块脊线幻觉模式
- 设计动机：传统的自动匹配分数不够精细，需要细节点级别的分析来理解身份破坏的具体机制
不一致性根因分析:
- 功能：理解身份不一致的产生原因
- 核心思路：局部不一致主要发生在参考图像质量差的区域——模型在不确定时倾向于"编造"细节。全局不一致发生在参考图像与选择的风格嵌入不匹配时——模型幻觉出不存在的脊线模式
- 设计动机：知道"为什么"不一致才能指导模型改进

基于GenPrint的ID-Net（微调ControlNet），使用风格嵌入和文本提示作为条件。训练策略沿用GenPrint框架。

条件	局部不一致	全局不一致	说明
高质量参考	少	少	最佳情况
低质量参考	多	少	差质量区域催生细节点变化
风格不匹配	少	多	参考和风格嵌入不一致