使用 Sigma-Lognormal 模型合成 3D 空中签名
内容提要
该文综述多项手写与手势合成研究，涵盖签名表示学习与伪造检测、空中签名验证、结合运动学与神经模型的手写合成、从手语视频生成3D虚拟人、混合梯度优化3D训练数据、深度学习辅助阿尔茨海默病早期检测、变分变压器从语音合成多样手势、SyntheticP3D减少真实数据需求以及SigWGAN生成时间序列。
延伸解读
空中签名合成的研究背景
文章综述了多项手写与手势合成研究，其中空中签名验证是重要方向。2024年的一项研究开发了笔工具和立体相机来获取笔尖和尾部三维轨迹，并收集了45位签名者的空中签名数据集，包括熟练伪造签名。该研究使用卷积神经网络进行基准测试，展示了方法的有效性。这为3D空中签名合成提供了数据基础和技术参考。
合成数据在签名验证中的应用
文章提到通过排名合成签名来学习动态签名表示，以解决高水平伪造攻击问题。该方法构建轻量级一维卷积网络学习排名，直接优化平均精度，无需真实伪造行为即可训练，并在两个公共基准上超越现有技术。这表明合成数据可以缓解签名验证中伪造样本稀缺的问题，提升模型泛化能力。
相关技术对3D签名合成的启示
文章还涉及其他合成技术，如SyntheticP3D数据集和CC3D方法，仅用10%真实数据即可媲美最先进模型，50%时超越10.4%；SigWGAN结合连续时间随机模型与签名W1度量生成时间序列。这些方法在数据效率和生成质量上的优势，可能为3D空中签名合成提供借鉴，例如减少对真实签名数据的依赖。
Q&A
什么是 Sigma-Lognormal 模型？它在 3D 空中签名合成中有什么作用？
Sigma-Lognormal 模型是一种用于描述手写运动学的数学模型，它基于快速人体运动的运动学理论。在 3D 空中签名合成中，该模型被用来将时间演变纳入手写合成器，从而生成更真实的空中签名轨迹。
如何合成 3D 空中签名？
合成 3D 空中签名可以通过使用笔尖和尾部三维轨迹的新型流程来实现。具体方法包括开发新的笔工具和使用立体相机来获取轨迹，并利用卷积神经网络进行基准测试。此外，还可以采用 Sigma-Lognormal 模型将时间演变纳入手写合成器，生成逼真的空中签名。
空中签名验证面临哪些挑战？
空中签名验证面临的主要挑战包括高水平的伪造攻击，即熟练伪造签名难以区分。为了解决这个问题，研究者提出了通过排名合成签名来学习动态签名表示的方法，构建轻量级一维卷积网络来学习排名，直接优化排名的平均精度，从而挖掘相对和细粒度的相似性，无需真实的伪造行为即可训练。
有哪些公开的 3D 空中签名数据集？
文章中提到收集了一个包含 45 位签名者的空中签名数据集，并收集了每个用户的熟练伪造签名。该数据集用于基准测试和验证所提出的方法。
深度学习如何用于手写合成？
深度学习用于手写合成的方法包括：使用神经运动启发的手写合成器，结合快速人体运动的运动学理论，将时间演变纳入合成过程；以及利用生成对抗网络（GAN）和卷积神经网络（CNN）自动综合逼真的 3D 虚拟人物肢体手势、面部表情和语音生成。
SigWGAN 是什么？它有什么用途？
SigWGAN 是一种时间序列生成器，它将连续时间随机模型与新提出的签名 W1 度量相结合。它可以加速人工智能机器学习流程的开发和部署，并在量化风险模型和实证财务数据中验证了其性能。
