61
0
2026-01-30
2026-01-30
掌纹识别因高隐私性与强稳定性备受关注，但大规模高质量数据集匮乏成为技术发展的核心瓶颈。为突破这一限制，合工大贾伟教授团队与腾讯优图等团队合作提出BézierPalm、RPG-Palm、PCE-Palm、Diff-Palm、UAA等共五个工作演进的掌纹生成方法。BézierPalm开创贝塞尔曲线表征掌纹褶皱的思路，无需真实数据即可生成新身份样本；RPG-Palm优化贝塞尔参数设计并引入身份感知损失，提升样本真实度与身份一致性；PCE-Palm构建两阶段生成框架与PCE中间域，有效缩小合成与真实数据的域差距；Diff-Palm则创新采用多项式褶皱表征与K步噪声共享采样机制，实现类内多样性与身份一致性的精准调控。UAA框架将对抗训练范式引入掌纹识别，通过可学习控制向量联动几何/纹理双维度扩增，生成高挑战性且身份一致的样本，大幅提升模型在复杂畸变场景下的鲁棒性。实验验证表明，五个工作逐步完善掌纹合成质量、可控性与模型适配能力，为掌纹识别技术突破数据瓶颈、实现工程化落地提供了高效的解决方案。
掌纹识别作为一项兼具高隐私性与强稳定性的生物特征识别技术，近年来因其独特优势而受到广泛关注。然而，由于掌纹本身具有较高的隐私敏感性，数据采集难度显著增加，导致大规模、高质量掌纹数据集的严重匮乏，难以支撑模型性能的持续提升，而这已成为制约相关技术深入发展的主要瓶颈。
针对以上问题，合工大贾伟教授团队与腾讯优图等团队于2022年提出BézierPalm。该团队通过CNN 网络可视化掌纹的中间特征，发现掌纹识别的核心信息并非手掌的纹理、颜色等部分，而是稳定且独特的掌部褶皱，这一关键洞察为数据合成提供了全新思路。因此该团队提出了BézierPalm，该方法摒弃了传统生成方法高度依赖真实数据，直接构建出简洁直观的几何模型，采用参数化的贝塞尔曲线对掌部褶皱进行精准表征，将曲线数量、端点位置、控制点分布等作为可调控参数，每一组参数组合对应一个独特身份。与生成对抗网络、传统数据增强等方法相比，BézierPalm无需依赖任何现有真实数据，通过随机采样贝塞尔参数即可批量生成具备全新身份的掌纹样本，不仅填补了现有方法无法创造新身份类别的空白，还规避了 GANs 训练需大量数据且易出现模式坍塌的缺陷。这些合成样本能够支撑大规模预训练任务，且经其预训练的模型展现出较强的泛化能力，可高效迁移至真实数据集并快速适配，为掌纹识别技术突破数据瓶颈。
BézierPalm虽具开创性，但其合成样本与真实掌纹的分布差距较大，类内仅能实现曲线形变的微小差异，与真实掌纹在褶皱分布和纹理特征上差异显著，导致合成样本与真实数据的域差距较大。针对以上问题，该团队于2023年提出了RPG-Palm，构建了更贴合实际应用需求的合成框架。RPG-Palm根据BézierPalm的缺陷做出了以下改进：一是优化身份基础，改进贝塞尔掌纹褶皱的参数设计并加入身份独立性校验，让生成的褶皱更符合真实掌纹形态，同时确保不同身份样本的区分度；二是提升样本真实度与类内多样性，通过条件调制生成器解析随机噪声得到潜在控制向量，生成真实掌纹的纹理、光照等多样化特征；三是解决非配对训练的身份一致性难题，设计身份感知损失函数，确保同一身份的不同生成样本保持特征一致性。
RPG-Palm 虽能提升了模型识别性能，但仍未解决域差距过大的核心问题，在少量真实数据场景下，身份一致性与生成模型性能会大幅下降。针对上述问题，该团队于2024年提出PCE-Palm架构，这是一种创新的两阶段掌纹生成框架，其核心思路是将贝塞尔曲线与真实掌纹间的域差异拆解为 “褶皱形态差异” 与 “皮肤纹理差异”，通过引入PCE域（Palm Crease Energy）作为中间过渡桥梁，分阶段降低生成任务的复杂度。首先使用GAN以BézierPalm转化为 PCE 图像，再使用Condition GAN以PCE为身份条件生成真实掌纹。PCE-Palm 提出了两个创新的模块，一是基于改进的拉东变换设计了可微分PCE提取模块，该模块能从真实掌纹中精准提取 PCE 图像；二是设计了一种即插即用线条特征增强块（LFEB），可灵活嵌入各类深度网络，强化模型对线条特征的感知能力。 PCE-Palm 在极少量真实数据场景下仍能保持优异性能，不仅大幅降低了对真实掌纹数据的依赖，更通过分阶段生成的思路有效缩小了合成数据与真实数据间的域差距，为掌纹识别技术的工程化落地提供了更高效的解决方案。
尽管 PCE-Palm 采用的两阶段生成范式在一定程度上提升了合成掌纹质量，但其与 RPG-Palm仍存在显著缺陷：一方面是仅使用二阶贝塞尔曲线表征掌纹，难以精准捕捉真实掌纹主线的复杂形态与统计分布特征；另一方面是生成过程中类内多样性与身份一致性的平衡难题未得到根本解决，单纯依赖辅助损失约束，无法精细调控样本间的差异维度，易出现类内差异过大或身份一致性不足的问题。针对这些问题，该团队于2025在CVPR 上发表了 Diff-Palm，Diff-Palm从表征与生成两个维度实现突破，摒弃传统贝塞尔曲线，采用更贴合真实掌纹统计分布的多项式褶皱表示，并构建类内变化可控的扩散模型，结合创新的 K 步噪声共享采样机制，生成高质量、高身份一致性且类内多样性可调的掌纹数据。实验验证显示，仅使用 Diff-Palm 生成的合成数据直接预训练识别模型，无需任何真实数据微调，其识别性能首次全面超越仅使用 100% 真实数据训练的基准模型。
借助Diff-Palm，掌纹识别在数据匮乏场景下取得了突破性进展，但在现有模型在包含几何畸变（如位置偏移、尺寸变化、角度偏差）和纹理退化（如过曝光、模糊、阴影、皮肤褶皱）的复杂挑战性样本上性能大幅下滑。传统数据扩增方法虽能通过随机几何变换、颜色调整等方式提升模型泛化性，但存在两大局限：一是多样性不足，难以模拟真实场景中丰富的掌纹变异；二是易破坏身份一致性，需手动精细调参，否则可能降低高质量样本的识别精度，而大规模采集含多样变异的掌纹数据集又面临成本高、隐私风险大的问题。为此，该团队进一步提出统一对抗增强框架（UAA），首次将对抗训练范式引入掌纹识别，通过整合识别网络的反馈优化增强策略，生成同时包含几何变化与纹理变异的挑战性样本。该框架核心包含三大模块：一是可微分空间变换模块，精准引入几何畸变；二是基于 GAN 的身份保持生成模块，在合成多样化纹理的同时维持掌纹身份一致性；三是动量基动态采样策略，通过自适应调整参数采样空间，高效探索更具挑战性的样本分布，避免传统静态采样的低效问题。以上所提出的方法由表1所示。
表1 论文与方法汇总
|
方法 |
主要贡献与创新 |
发表 |
|---|---|---|
|
Bézier Palm |
首次用贝塞尔曲线构建几何模型合成掌纹，为小样本场景下的模型预训练提供低成本方案，推动掌纹生成研究重回顶会视野。 |
ECCV 2022 |
|
RPG-Palm |
改进贝塞尔掌纹生成范式，通过类UNet生成器与ID-aware损失，实现单步生成高真实度、身份一致的伪掌纹，提升生成效率与质量。 |
ICCV 2023 |
|
PCE-Palm |
提出两阶段生成范式，引入掌纹折痕能量（PCE）域作为中间桥梁，结合轻量化线特征增强模块，在极少量真实数据下性能显著超越RPG-Palm。 |
AAAI 2024 |
|
Diff-Palm |
融合扩散模型与多项式折痕建模，实现类内变异可控的高真实度掌纹生成，解决传统方法变异不可控的痛点。 |
CVPR 2025 |
|
UAA |
提出“对抗性扩增+识别训练”双阶段框架，通过可学习控制向量联动几何/纹理双维度扩增，生成高挑战性且身份一致的样本，大幅提升模型在复杂场景下的鲁棒性。 |
ICCV 2025 |
BézierPalm 在掌纹褶皱表征上采用二阶贝塞尔曲线，每条曲线由起点、控制点、终点三个参数点定义，以此适配掌部褶皱的几何形态。如图1(a)(b)所示 左手掌主线条的起点从左上角区域采样，终点从右下角区域采样，右手掌为左手镜像，控制点从起点与终点连线的中间平行矩形区域内采样；褶皱则无方向限制，其起点、控制点、终点均从整个平面随机采样。在参数设计方面，每个合成身份包含主线条和细纹，其中主线条数量 服从均匀分布 ，褶皱数量 服从均匀分布 。
|
左上角为起点，右下角为终点 |
控制点分布的区域 |
图1 BézierPalm 控制点分布
为增强合成样本的多样性，BézierPalm 对每个身份的主线条参数、细纹参数 分别添加高斯噪声 和 ，使同身份样本存在细微差异，合成的样本如图2所示。最终，BézierPalm 合成掌纹可以使用如下公式表示：
其中i表示第i个身份，j表示生成的第j张图像，I为从ImageNet数据集选取的背景图。
|
|
|
图2:(a)BezierPalm手掌,(b)BezierPalm控制点
为解决传统BézierPalm生成掌纹褶皱时形态不合理、身份独立性不足的问题，RPG-Palm 首先对贝塞尔掌纹褶皱合成策略进行优化：一是依据真实掌纹主线来调整主线条的起点、控制点、终点等参数，使合成主线分布更贴近真实掌纹图像；二是优化褶皱的生成规则，确保褶皱长度适中、分布均匀，提升整体的真实感，并将改进后的BézierPalm作为核心身份条件送入到RPG-Palm 。
图3 PRG-Palm总体架构:(a)为训练阶段，(b) 为前向推理
如图3(a) 所示，PRG-Palm整体框架包含训练阶段与正向生成阶段：训练阶段通过编码器E将真实掌纹B映射至高斯噪声域得到潜在向量，生成器G以非配对的改进BézierPalm为身份条件，结合潜在向量使用生成对抗网络生成掌纹图像;同时，为了保证生成图像的ID一致性，使用随机高斯噪声与的条件BézierPalm生成掌纹图像,保证与为同一ID，且与其他掌纹ID不同。如图（b）所示，使用改进BézierPalm为身份条件，并引入 RLOC 过滤相似度超过0.9 的手掌，保障不同身份样本的独特性与区分度，结合随机采样的不同高斯噪声生成风格各异的掌纹。
PRG-Palm的总损失如下公式所示:
其中，是不同损失的权重；PRG-Palm的生成器使用损失与 PatchGAN 对抗损失，确保生成图像与真实掌纹在像素级和语义层面的相似性，避免非配对训练下的过度拟合；而编码器生成的向量则使用 散度损失，确保编码向量符合标准高斯分布 ，便于后续采样生成风格各异的类内掌纹图像 ；对同一身份的生成样本使用身份感知损失，通过计算同身份两个生成样本的特征余弦相似度，确保非配对训练场景下的身份一致性。
为解决传统BézierPalm与真实掌纹褶皱分布差异大的问题，PCE-Palm 结合人体皮纹学先验知识将BézierPalm划分为 5 类模板，如图4所示，通过限定控制点采样范围，使生成的曲线更贴近真实掌纹的生理结构，缩小初始输入与真实数据的域差距。
图4 5种类型的BézierPalm
在此基础上，PCE-Palm提出可微分PCE提取模块 (PCEM)，实现BézierPalm域真实掌纹中间域的构建。如图5 (a) 所示，PCEM 基于改进的有限拉东变换设计，通过对真实掌纹进行滤波、多方向卷积、最大响应提取与自适应二值化，精准生成二进制线条；并设计出轻量型即插即用的线条特征增强块LFEB模块，如图5 (b)所示，通过对输入特征图进行逐通道减均值、Gaussian-MFRAT核的空洞卷积提取多方向线条能量特征、最大响应等操作后与原始特征加权融合，强化模型对掌纹线条特征的感知能力。
|
PCEM 模块 |
LFEB 模块 |
图5 PCE-Palm 创新型模块
通过改进的BézierPalm、PCEM和LFEB 模块，PCE-Palm 构建了两阶段生成框架，将 RPG-Palm 的掌纹生成过程拆解为更易优化的两步，大幅降低跨域生成难度。首先聚焦 BézierPalm到PCE域的迁移，如图6所示，第一阶段生成模型采用嵌入 LFEB 模块的生成器 ，输入改进后的BézierPalm，生成其对应的PCE图像，同时使用PCEM 模块将真实掌纹转换为PCE图像，借助 PatchGAN 对抗损失使模型的生成图像贴近真实 PCE 图像；通过对比损失约束输入曲线与生成 PCE 图像的结构一致性，确保身份特征不丢失，最终输出兼具身份稳定性与真实褶皱形态的 PCE 图像。
图6 PCE-Palm 第一阶段生成架构
第二阶段是PCE域到真实掌纹的生成，如图7所示，该阶段生成模型采用解纠缠U-Net结构的生成器，在训练过程中，以第一阶段输出的PCE图像作为身份输入，使用编码器E将真实掌纹图像编码为潜在向量，使用KL散度损失使潜在向量的分布逼近标准高斯分布，最终输入到生成模型，控制生成掌纹的多样性；使用PatchGAN对抗损失使模型生成掌纹贴近真实掌纹的外观分布，通过损失约束生成掌纹与真实掌纹的像素级相似性；使用PCEM模块将生成的掌纹转换为对应的PCE图像，通过循环ID一致性损失确保身份稳定性，最终输出褶皱结构清晰、纹理真实自然且身份特征稳定的伪掌纹样本。
图7 PCE-Palm 第二阶段生成架构
PCE-Palm的总损失如下公式所示：
其中， 是损失的权重；第一阶段生成器使用对比损失 与 PatchGAN 对抗损失，确保生成的 PCE 图像与输入贝塞尔曲线的结构一致性，同时贴近真实 PCE 图像分布；第二阶段生成器 使用 损失与数据扩增后的 PatchGAN 对抗损失，保障生成掌纹与真实掌纹的像素级相似性和外观真实感；编码器生成的向量使用 KL 散度损失，确保编码向量符合标准高斯分布 ，便于后续采样生成风格多样的掌纹图像；通过循环损失 将生成掌纹反向映射回 PCE 域，约束与原始 PCE 图像的一致性，确保非配对训练场景下的身份稳定性。
Diff-Palm包含以下核心创新方法：掌纹褶皱的多项式表示方法、类内变化可控的扩散模型和K步噪声共享采样机制。通过各方法协同作用，生成了高质量的掌纹图像。整个模型结构如下图8所示：
图8 Diff-Palm总体框架；(a) 训练阶段；(b) 采样生成阶段
为从根本上提升身份表征的准确性，Diff-Palm摒弃了手工设计的贝塞尔曲线，提出基于四阶多项式曲线表示法：
其中，是多项式系数，i=1,2,3 对应掌纹的三条主线；如图9相比于二阶贝塞尔曲线，四阶多项式能够精准捕捉掌纹主线的平滑特性，具备更充足的表达能力。同时，考虑到掌纹纹理的生理基础与独特分布规律，本文通过对1000 张真实掌纹图像的主线进行手工标注与多项式拟合，统计分析发现拟合得到的多项式系数服从多元高斯分布，，在合成过程中可从该分布中采样系数线。
图9贝塞尔曲线于多项式曲线的对比
为了控制生成掌纹图像的身份特征，该团队使用掌纹主线图像作为条件，利用掌纹主线来引导生成图像的身份特征。将成对的掌纹主线图像与加噪后的掌纹图像在通道维度上进行拼接，然后送入网络进行训练。采用的训练目标如下所示：
其中，表示参数化网络，是条件的掌纹主线图像。
图10 K步噪声共享采样机制
为了保证模型的身份一致性和类间多样性，Diff-Palm是提出K步噪声共享采样机制，如图10所示，K步共享噪声能精准调控生成样本的类内多样性。整个扩散模型的反向采样过程如下：
其中，是引入随机性的关键噪声。Diff-Palm研究发现，为同一身份生成多个样本时，若在采样最后K步采用相同的共享噪声，可确保这些样本的掌纹线条结构高度一致；同时在前T-K步使用不同噪声，能够自由生成皮肤纹理、光照等类内变化。通过调节K值，可精准平衡身份一致性与类内多样性，有效解决了RPG-Palm和PCE-Palm中单纯添加噪声或依赖辅助损失难以兼顾二者的问题。
UAA 的核心目标是在保持身份一致性的前提下生成含几何变换和纹理变化的挑战性掌纹样本，以提升识别模型的泛化能力。整体框架采用 “对抗性扩增阶段 + 识别阶段” 的两阶段端到端训练模式，通过可学习控制向量联动扩增模块与识别网络，实现扩增策略的动态优化。
图 11 UAA整体架构图
如图 11(a) 所示，在 UAA 中，输入图像与控制向量共同送入统一扩增模块，生成含目标扩增样本；利用识别网络的分类损失反向传播优化控制向量，使扩增的样本更具挑战性；最终结合原始样本与优化后的扩增样本训练识别模型，提升模型性能。
如图11(b)所示，统一扩增模块采用首先才空间变换模块，实现几何与纹理变换的图像生成：几何变换以原始图像为输入，并引入了可微分空间变换，通过控制向量调控的仿射变换矩阵完成像素空间重采样。该矩阵由参数定义，具体形式为
对输入RGB图像的所有通道施加相同变换后，通过双线性采样生成带位置偏移、角度旋转的几何变换样本；为避免破坏身份一致性，作者对参数施加了约束：
纹理变换则同步将原始图像输入身份保持生成网络，由身份编码器提取掌纹核心身份特征，结合风格编码器的纹理编码，通过生成器生成含纹理变换样本。
如图 11 (c) 所示，在对抗性扩增阶段，固定识别网络的参数，将原始图像x与初始控制向量z送入扩增模块生成样本，计算其分类损失L后，通过梯度反向传播最大化损失，迭代优化得到精炼控制向量z∗，让模型生成同一身份的最大变换的样本；在识别阶段，利用z∗生成样本，将其与原始样本混合输入识别网络，通过梯度反向传播最小化损失更新网络参数，使模型逐步适配挑战性样本的特征分布。
UAA的核心优化目标为：
其中 L为识别网络的ArcFace分类损失，是识别网络的参数，z是控制向量，A(x,z)是统一扩增模块。在对抗性扩增阶段通过最大化优化控制向量z，使生成的样本更具挑战性；在识别阶段通过最小化更新识别网络参数，提升模型对挑战性样本的适配能力。 同时，为保证扩增样本的质量与身份一致性，身份保持生成网络的训练损失采用多损失联合优化，总损失为：
其中为参数。生成网络使用了KL散度、对抗损失、L1损失和身份一致性损失，其中KL散度约束风格编码的分布稳定性以保证纹理变异的多样性，对抗损失提升生成样本的真实度以贴合真实掌纹分布，L1损失维持生成样本与原始样本的纹理风格一致性，身份一致性损失则强制生成样本与原始样本的核心身份特征保持一致。
在PCE-Palm中，作者通过探究不同真实训练身份数量对模型性能的影响对比PCE-Palm生成图像与之前工作的优势，该实验通过控制生成模型与识别模型使用完全相同的真实训练身份的数量，测试了 16、40、80、160、400、800、1600 共 7 种不同规模的真实身份场景，对比了PCE-Palm与 ArcFace、BézierPalm、RPG-Palm 的性能。
表2 PCE-Palm 不同真实训练身份数量对模型性能的影响
如表2的实验结果显示：在所有真实身份数量下，使用PCE-Palm训练的模型性能均显著领先于其他方法。同时，随着真实身份数量减少，PCE-Palm 的性能衰减幅度远小于其他方法。
表3.不同K值生成数据集训练的模型性能
Diff-Palm通过调节 K 值生成不同类内差异的数据集。如表3与图12所示，随着 K 值增大，类内差异逐渐减小、同类比对分数分布整体右移，当 K=500 时识别模型取得最佳性能，实现类内一致性与多样性的最优平衡；在多项式主线分布特性实验中，调整缩放因子 γ 发现，当 γ=1时性能最优，偏离 1 则性能下降，证实了多项式主线分布估计的合理性；
图12 不同k值下数据集的匹配对比分数
在掌纹主线表征对比实验中，相同超参数下多项式曲线表征的生成数据训练模型性能显著优于贝塞尔曲线方法，证明其结构建模更精确。与 PCE-Palm 相比，Diff-Palm 的平均识别性能远超 PCE-Palm 的贝塞尔曲线和多项式曲线，且无需真实数据微调就能实现超越真实数据训练模型的表现；并且Diff-Palm 通过 K 步噪声共享采样解决了 PCE-Palm 难以平衡类内多样性与身份一致性的痛点，多项式表征也克服了 PCE-Palm 贝塞尔曲线类间独特性低、域差距大的缺陷，如图13的t-SNE 可视化更直观显示 Diff-Palm 生成样本的特征聚类更紧凑、类间区分更清晰，与真实掌纹分布高度契合。
图13 PCE-Palm、Diff-Palm t-SNE 可视化
在UAA上，作者以 ResNet-50 + ArcFace 为baseline，在 MPD、XJTU-UP、BJTU三个公开挑战性数据集上采用开放集协议进行评估；对比方案覆盖了传统随机扩增、自适应扩增、对抗扩增、特征约束扩增等方法，同时设置 UAA-p（仅预训练生成网络）作为变体，以验证各模块的有效性；训练流程分为预训练与端到端训练两个阶段，预训练阶段通过多损失联合优化身份保持生成网络，端到端阶段采用 “对抗性扩增 + 识别训练” 两阶段交替迭代，对抗性扩增阶段使用 PGD 算法最大化 ArcFace 损失以优化控制向量，识别训练阶段将扩增样本与原始样本按 1:1 混合，以 ArcFace 为损失函数训练识别网络，所有方法均训练 30 个 epoch 并采用相同的优化器配置。
表4 不同扩增方法实验结果
如表4结果表明，完整的 UAA-s 在所有数据集的所有指标上均取得最优性能，充分验证了 UAA 的有效性。如图14所示，相比传统扩增方法仅能实现单一的裁剪、翻转或亮度调整，UAA能够同时模拟真实场景中掌纹的位置偏移、角度旋转、光照变化、模糊退化等多维度复杂变异，生成的样本既具备更强的挑战性，又避免了传统扩增易导致的身份失真问题，从而能更有效地提升模型在复杂场景下的泛化能力。
图14 UAA扩增的效果图
合工大贾伟教授团队与腾讯优图等团队围绕掌纹识别数据匮乏瓶颈展开的系列研究，通过BézierPalm、RPG-Palm、PCE-Palm、Diff-Palm、UAA共五种方法的持续迭代与创新，构建了从掌纹表征到生成框架的完整技术体系，为生物特征识别领域的合成数据生成提供了标杆性、系统性的解决方案。该系列工作在表征上从二阶贝塞尔曲线演进至四阶多项式曲线，通过统计分析确定多项式系数的多元高斯分布，逐步实现对掌纹主线形态与统计分布的精准建模，大幅缩小了合成与真实数据的域差距；在生成框架上从单阶段生成到RPG-Palm的身份感知约束，再到PCE-Palm的两阶段中间域过渡，最终结合Diff-Palm的扩散模型与K步噪声共享采样，彻底解决了类内多样性与身份一致性的平衡难题，实现了变化程度的精准可控。针对合成数据训练模型在复杂畸变场景下性能衰减的问题，团队创新性地将对抗训练与数据扩增深度融合，通过可微分空间变换、身份保持生成及动态采样策略，生成兼具高挑战性与身份一致性的复杂样本，填补了掌纹识别在畸变场景鲁棒性优化方向的技术空白。整体而言，该系列工作通过对掌纹生成核心问题、域差距难题及复杂场景适配需求的层层拆解与持续突破，不仅推动掌纹识别技术从理论研究走向工程化落地，更在生物特征合成数据的表征设计、可控生成、域差距缩小及对抗性扩增等关键技术方向上提供了重要借鉴，为隐私敏感场景下的大规模模型训练与复杂环境适配提供了高效借鉴方案。
撰稿人：郑哲贤
审稿人：黄俊端
论文链接：https://www.ecva.net/papers/eccv_2022/papers_ECCV/papers/136730019.pdf
代码链接：https://github.com/zeakey/bezier-palm 
论文链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=10378342
代码链接：https://github.com/Ukuer/RPG-Palm
论文链接：https://ojs.aaai.org/index.php/AAAI/article/view/28039
代码链接：https://github.com/Ukuer/PCE-Palm
论文链接：https://arxiv.org/pdf/2503.18312
代码链接：https://github.com/Ukuer/Diff-Palm
论文链接：https://openaccess.thecvf.com/content/ICCV2025/papers/Jin_Unified_Adversarial_Augmentation_for_Improving_Palmprint_Recognition_ICCV_2025_paper.pdf
代码链接：https://github.com/Ukuer/UAA
