20.500.12556/RUL-181103 Fingerprint Reconstruction from Biometric Templates Rekonstrukcija prstnih odtisov iz biometričnih predlog Modern fingerprint recognition systems rely heavily on compact minutiae-based templates for efficient processing of biometric data from our fingertips. While minutiae templates were originally assumed to be non-reversible, recent studies have demonstrated that realistic fingerprint images can be reconstructed from these sparse representations. Despite significant progress, existing generative approaches often struggle with recreating the complex ridge structure of fingerprints. Reconstructed impressions frequently exhibit artifacts near singular regions, disrupted global ridge flow, and spurious minutiae, particularly in areas lacking sufficient contextual information. In this work, we introduce a context-aware minutiae encoding that provides the generative model with additional structural information during the training process. The proposed approach improves the global ridge continuity, reduces artifacts near singularities, and generates more natural looking ridges. Evaluation was performed on URU and Anguli datasets using biometric matching-based attack scenarios and NFIQ2 quality assessment. Averaged across three thresholds, Type-I attack performance improved by 17% on the URU dataset and 65% on the Anguli dataset, while Type-II attack performance improved by 25% on URU. Furthermore, the average quality of impressions improved by approximately 15--20% on both datasets. These results demonstrate that incorporating richer contextual information significantly enhances reconstruction fidelity, producing higher-quality and more realistic looking fingerprints. Sodobni sistemi za prepoznavanje prstnih odtisov se za namen učinkovite obdelave biometričnih podatkov močno zanašajo na kompaktne predloge na osnovi minucij. Čeprav je dolgo veljalo prepričanje, da takšne predloge ne vsebujejo dovolj informacij za rekonstrukcijo izvorne slike, so nedavne raziskave pokazale, da je realistična rekonstrukcija mogoča. Kljub precejšnjemu napredku imajo obstoječi generativni pristopi pogosto težave z reprodukcijo kompleksne strukture grebenov prstnih odtisov. Rekonstruirani odtisi pogosto vsebujejo napake v bližini singularnih točk, moten je globalni tok grebenov, pojavljajo pa se tudi lažne minucije, predvsem na območjih, kjer primanjkuje konteksta. V tem delu predlagamo nov način kodiranja minucij, ki generativnemu modelu med procesom učenja zagotavlja dodatne kontekstualne informacije. Predlagani pristop izboljša izgled grebenov, zmanjša število napak v bližini singularnih točk in ustvari bolj naraven videz celotnega odtisa. Vrednotenje je bilo izvedeno na podatkovnih zbirkah URU in Anguli zrazličnimi scenariji napadov, ki temeljijo na biometričnem ujemanju, ter ocene kakovosti prstnih odtisov NFIQ2. V povprečju se je uspešnost napada tipa I na podatkovni zbirki URU izboljšala za 17%, na zbirki Anguli pa za 65%, medtem ko se je uspešnost napada tipa II na zbirki URU izboljšala za 25%. Poleg tega se je povprečna kakovost odtisov izboljšala za približno 15–20% na obeh podatkovnih zbirkah. Ti rezultati kažejo, da vključitev bogatejših kontekstualnih informacij bistveno izboljša rezultat rekonstrukcije, kar vodi do bolj kakovostnih in realističnih prstnih odtisov. fingerprint reconstruction minutiae encoding pix2pix rekonstrukcija prstnih odtisov kodiranje minucij pix2pix true false false Angleški jezik Slovenski jezik Diplomsko delo/naloga 2026-03-25 10:10:03 2026-03-25 10:10:15 2026-04-17 11:35:20 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 38154 275592195 Mijatovic_Aleksandar_-_Rekonstrukcija_prstnih_odtisov_iz_biometricnih_predlog.pdf Mijatovic_Aleksandar_-_Rekonstrukcija_prstnih_odtisov_iz_biometricnih_predlog.pdf 1 B79A7BDF72CD19EBBA800E204EB7A7E2 6960c03a9a31a9ebf7d4ef69f489489bd7e7db0be9f0c89e530c0c2bc296e2e9 51d0af85-282a-11f1-b0ab-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=231280 Fakulteta za računalništvo in informatiko 0 0 0