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。

研究背景与动机¶

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。

方法详解¶

整体框架¶

潜指纹合成通常分两步：先造出一个唯一身份（指间变异），再围绕这个身份生成多张带不同采集风格的变体（指内变异）。法医场景里第二步更要紧——同一枚指纹可能从玻璃瓶、金属把手或纸张上提取，再用粉末、化学或光学手段显现，呈现出截然不同的外观。本文沿用 GenPrint 的第二阶段，但把它的风格控制和身份评估两端都做扎实：输入一张带标注的参考指纹，先从风格库里挑出对应法医场景的风格嵌入，喂给微调过的 ControlNet（GenPrint 的 ID-Net）生成合成潜指纹，再用一套半自动框架把生成图和参考图对齐、逐个细节点比对，量化身份到底被改动了多少、为什么被改动。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["参考潜指纹（带标注）"] --> B["潜指纹风格库<br/>40 表面 × 15 技术 → 风格嵌入"]
    B --> C["GenPrint ID-Net（ControlNet）<br/>条件生成合成潜指纹"]
    C --> D["半自动评估框架<br/>对齐 + 细节点逐点比对"]
    D --> E["局部不一致<br/>细节点增删"]
    D --> F["全局不一致<br/>整块脊线幻觉"]
    E -->|根因分析| G["参考低质量区域<br/>模型脑补细节点"]
    F -->|根因分析| H["风格-参考不匹配<br/>幻觉不存在的脊线"]

关键设计¶

1. 潜指纹风格库：把"随机风格"换成"可指定的法医场景"

GenPrint 原本只能套用通用或随机的潜指纹风格，没法精确生成"玻璃瓶上用荧光粉显现的潜指纹"这类具体场景。本文从 7 个数据集策划出 28,000 张真实潜指纹，按采集表面和显现技术两个维度归类——40 种表面（玻璃、金属、纸张等）× 15 种处理技术（粉末、化学、光学等），凑成 40+ 种离散风格。每种风格抽出一个嵌入向量，作为 GenPrint 的条件输入。这样生成时不再碰运气，而是直接点名要哪种法医场景的外观，多样性也从原来的几种粗粒度风格跃升到几十种可控风格。

2. 身份一致性的半自动评估框架：从细节点级别看身份被改了多少

光看自动匹配分数太粗，分不清身份是怎么被破坏的。本文用带人工标注的参考指纹生成合成版本，对齐后把差异拆成两类来逐点核查：局部不一致指细节点（minutiae）的增删——用自动检测器先找候选、再人工验证；全局不一致指参考里根本不存在、却被整块"画"出来的脊线幻觉。这套细节点级别的比对能定位到具体是哪根脊线、哪个细节点被动过，而不是只给一个笼统的相似度数字。

3. 不一致性的根因分析：定位多样性与身份保持之间张力的来源

知道哪里不一致还不够，更要知道为什么，才能反过来指导模型改进。分析发现两类不一致各有触发条件：局部不一致主要冒在参考图像质量差的区域——模型在信息不足、把握不准时倾向于"脑补"细节点；全局不一致则出现在参考图像和所选风格嵌入对不上的时候——风格和内容冲突，模型就幻觉出参考中不存在的整块脊线。两个根因正好对应"增加风格多样性反而引入身份不一致"这条核心张力，也给出了明确的改进抓手：补强低质量区域的约束、确保风格与参考匹配。

损失函数 / 训练策略¶

沿用 GenPrint 的 ID-Net（在 ControlNet 上微调），以风格嵌入和文本提示作为条件，训练流程不变。

实验关键数据¶

主实验¶

评估维度	结果
风格覆盖	40种表面 × 15种处理技术
数据规模	28,000张真实潜指纹
身份保持	大部分保持，少量局部不一致
全局幻觉	风格不匹配时出现

消融实验¶

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

关键发现¶

生成过程在大多数情况下保持了身份，但低质量区域更容易引入局部不一致
风格嵌入与参考图像的不匹配是全局幻觉的主要原因
这些发现为改进合成指纹生成器提供了明确的改进方向

亮点与洞察¶

系统性的身份一致性分析：首次在细节点级别量化了扩散模型指纹生成的身份保持能力
法医场景可控性：40种表面×15种处理技术的风格库使得潜指纹生成具有实际的法医训练价值
根因分析的实用性：低质量区域和风格不匹配两个根因可直接指导模型改进

局限与展望¶

半自动化评估仍需人工参与，无法完全自动化
风格库的覆盖范围虽广但可能仍不完整
未提出解决不一致性的方法，仅做了分析

评分¶

新颖性: ⭐⭐⭐ 风格库构建有价值但方法创新有限
实验充分度: ⭐⭐⭐⭐ 身份一致性分析深入细致
写作质量: ⭐⭐⭐⭐ 问题定义清晰
价值: ⭐⭐⭐ 对法医和指纹识别社区有直接价值