块诱导签名生成对抗网络（BISGAN）：基于 GAN 的签名欺骗

摘要 生成对抗网络（GANs）在生物识别系统中得到了日益广泛的应用。然而，现有的签名研究主要侧重于增强判别器或生成用于数据增强的数据，而对生成的伪造签名的质量和欺骗能力的研究仍不充分。为了填补这一研究空白，我们提出了块诱导签名 GAN（BISGAN）——一种以生成器为中心并融合了 Inception 风格块和注意力机制的架构，旨在伪造签名生成过程中保留具有影响力的生物识别特征。我们进一步引入了一种基于对抗鲁棒性理论和资源基础观（RBV）的 train-shift 学习策略，以增强生成器模仿真实签名特征的能力。在基准数据集上的实验表明，BISGAN 实现了 88%–100% 的欺骗成功率，比以往基于 GAN 的方法至少提高了 12%。为了支持客观评估，我们开发了一种生成质量指标（GQM），利用潜在特征分布距离来评估伪造签名的逼真度。结果证实了以生成器为中心的对抗建模对于推进签名验证系统鲁棒性和安全性评估的重要性。