Intra-finger Variability of Diffusion-based Latent Fingerprint Generation

Aquí se presenta un resumen técnico detallado del artículo "Variabilidad Intradigital en la Generación de Huellas Dactilares Latentes Basada en Difusión".

1. Planteamiento del Problema

El artículo aborda dos limitaciones críticas en la generación actual de huellas dactilares sintéticas, específicamente en lo que respecta a las huellas latentes (huellas levantadas de superficies):

• Falta de Diversidad Controlada: Los modelos de IA generativa existentes (como GANs y modelos de difusión) a menudo dependen de transferencias de estilo holísticas o aleatorias. No pueden generar con precisión huellas dactilares que correspondan a escenarios forenses específicos (por ejemplo, una huella en una "botella de vidrio" levantada con "polvo fluorescente"). Esto limita el entrenamiento de los Sistemas Automáticos de Identificación Dactilar (AFIS) y de los Examinadores de Huellas Latentes (LPE).
• Integridad de la Identidad (Alucinación): La naturaleza estocástica de los modelos de difusión introduce "alucinaciones" durante la etapa de variación intradigital (generación de múltiples impresiones del mismo dedo). Estos modelos pueden agregar, eliminar o desplazar inadvertidamente minucias (terminaciones de cresta y bifurcaciones) o extrapolar patrones de crestas hacia el fondo, corrompiendo la identidad de la verdad fundamental.

2. Metodología

Los autores evalúan y extienden GenPrint, un marco de trabajo basado en difusión de última generación (SOTA). Su metodología consta de tres componentes principales:

A. Construcción de un Banco de Estilos Latentes

Para resolver la falta de diversidad, los autores curaron un Banco de Estilos Latentes exhaustivo a partir de siete conjuntos de datos reales diversos (por ejemplo, IIITD-SLF, NIST-SD302, LFIW).

• Escala: El banco contiene 28,357 huellas dactilares latentes reales.
• Cobertura: Cubre 40 superficies únicas (por ejemplo, cerámica, vidrio, cinta, papel) y 15 técnicas de procesamiento distintas (por ejemplo, polvo negro, humo de cianoacrilato, DFO).
• Implementación: Extendieron la tubería de GenPrint para aceptar indicaciones de texto específicas que definen {superficie} + {técnica}. Al utilizar un codificador de estilo VGG-19 preentrenado, mapearon estas imágenes reales a un espacio de incrustación de estilo, habilitando la transferencia de estilo zero-shot para generar huellas sintéticas en superficies sobre las que el modelo no fue entrenado explícitamente.

B. Marco de Consistencia de Identidad Semi-Automatizado

Para cuantificar la preservación de la identidad, los autores desarrollaron un marco para detectar errores locales y globales:

• Preparación de Datos: Utilizaron la base de datos IBM-HURSLEY (900 huellas dactilares de golpe con minucias de verdad fundamental). Seleccionaron 100 ejemplares reales (50 de alta calidad, 50 de baja calidad) y generaron impresiones sintéticas de "golpe" utilizando la Etapa 2 de GenPrint.
• Alineación de la Verdad Fundamental: Dado que el proceso de generación implica transformaciones afines y máscaras, aplicaron las mismas transformaciones a las minucias de verdad fundamental y a las máscaras de primer plano para crear un conjunto "Esperado" ($M_{exp}$, $B_{exp}$).
• Categorización de Errores: Utilizando una herramienta de anotación manual personalizada, compararon las minucias generadas ($M_{gen}$) contra el conjunto esperado, categorizando los puntos como:
  1. Coincidentes: Presentes en ambos.
  2. Faltantes: Presentes en el esperado, ausentes en el generado.
  3. Espurios: Ausentes en el esperado, presentes en el generado.

C. Métricas de Evaluación

• Errores Locales: Medidos como Error de Eliminación ($\epsilon_{rem}$) y Error de Adición ($\epsilon_{add}$).
• Errores Globales: Medidos mediante la Intersección sobre la Unión (IoU) entre la máscara de primer plano esperada y la máscara generada. Una IoU baja indica que el modelo "alucinó" crestas fuera del área válida de la huella dactilar.
• Rendimiento de Reconocimiento: Verificado utilizando el SDK MegaMatcher para asegurar que la transferencia de estilo no destruyera la identidad (Tasa de Coincidencia Verdadera al 0.01% de FMR).

3. Contribuciones Clave

1. Control Mejorado de Estilos Latentes: La creación de un banco de estilos estructurado que permite la generación de huellas latentes con 40 combinaciones distintas de superficie/técnica, superando significativamente a los métodos anteriores que ofrecían solo estilos genéricos o aleatorios.
2. Análisis Riguroso de Identidad: Un marco novedoso semi-automatizado que cuantifica la tasa de "alucinación" de los modelos de difusión, distinguiendo entre errores locales de minucias y extrapolación global de patrones de crestas.
3. Perspectivas Empíricas: Un estudio sistemático que revela los modos de fallo específicos de los generadores de huellas dactilares basados en difusión, particularmente cómo la calidad de entrada y los desajustes en la incrustación de estilo impulsan los errores.

4. Resultados Clave

A. Diversidad y Rendimiento de Reconocimiento

• GenPrint extendido generó con éxito huellas latentes diversas en todas las 45 categorías de estilo.
• Preservación de Identidad: El rendimiento de reconocimiento (Tasa de Coincidencia Verdadera) entre las huellas latentes sintéticas y sus ejemplares sintéticos fue comparable a los pares reales emparejados (por ejemplo, TMR de Par Sintético ~93-96% vs. TMR de Par Real ~75-97%). Esto confirma que el flujo global de crestas y la identidad se preservan en gran medida.
• Alineación de Calidad: Las huellas sintéticas replicaron con precisión la distribución de calidad intrínseca de las huellas reales (por ejemplo, superficies de baja calidad como cartón produjeron huellas sintéticas de baja calidad), validado por las puntuaciones NFIQ2 y LFIQA.

B. Errores Locales (Integridad de Minucias)

A pesar de las altas puntuaciones de reconocimiento, los modelos introdujeron inconsistencias locales significativas:

• Tasas de Error Generales: En promedio, se eliminó el 12.42% de las minucias de verdad fundamental y se alucinó (agregó) el 21.45% de las minucias.
• Impacto de la Calidad de Entrada:
  • Entrada de Alta Calidad: El error de adición fue del 10.98%.
  • Entrada de Baja Calidad: El error de adición se disparó al 31.67%.
  • Causa: El módulo de mejora SqueezeUNet tiende a suavizar en exceso las crestas tenues (causando eliminación) o crear artefactos en regiones ruidosas (causando adición).

C. Errores Globales (Alucinación de Crestas)

• Extrapolación: El modelo de difusión extrapoló frecuentemente patrones de crestas hacia el fondo, aumentando el área superficial aparente de la huella dactilar.
• Desajuste de Estilo: Las tasas de alucinación global variaron significativamente según el estilo del sensor. Por ejemplo, los sensores CrossMatch mostraron una tasa de error de alucinación del 30.04%, mientras que otros fueron más bajos (~7%).
• Causa: Cuando la incrustación de estilo objetivo implica un área grande de huella dactilar (por ejemplo, una captura completa del sensor) pero la máscara de entrada es pequeña, el modelo intenta "rellenar" el espacio faltante con crestas, creando patrones de fondo falsos.

5. Significado y Conclusión

Este trabajo destaca una brecha crítica en la IA generativa actual para la forense: las altas puntuaciones de reconocimiento no garantizan la fidelidad estructural. Si bien los modelos de difusión pueden generar huellas latentes visualmente realistas que preservan la identidad para los algoritmos de emparejamiento, introducen errores sutiles pero críticos (minucias y crestas alucinadas) que podrían engañar a los examinadores humanos o comprometer la integridad de la evidencia forense.

Implicaciones:

• Entrenamiento: Los conjuntos de datos sintéticos deben curarse con restricciones estrictas de identidad para evitar entrenar a los examinadores en características alucinadas.
• Futuras Direcciones: Los autores recomiendan incorporar restricciones explícitas de estructura de crestas y minucias en la función de pérdida del modelo de difusión para prevenir alucinaciones, en lugar de depender únicamente de la transferencia de estilo basada en texturas.

En resumen, el artículo proporciona una necesaria "verificación de la realidad" para la comunidad de GenAI, demostrando que, si bien la generación de huellas dactilares sintéticas es madura en términos de diversidad visual, requiere mejoras arquitectónicas significativas para garantizar la integridad de las características forenses.