学术背景 随着数字化内容的快速增长，数字签名在身份验证和内容认证中的重要性日益凸显。然而，数字签名的安全性和完整性面临着严峻的挑战。为了保护签名的真实性并防止篡改，数字水印技术应运而生。数字水印通过在数字内容中嵌入不可见但可识别的信息，能够有效验证数据的来源和完整性。近年来，基于变换域的水印技术（如离散余弦变换DCT和离散小波变换DWT）因其在鲁棒性、不可感知性和识别准确性之间的平衡而备受关注。 本文旨在探索在线手写签名中的多比特水印嵌入技术，特别是基于DCT和DWT的变换域方法。研究聚焦于如何在水印嵌入过程中平衡信号失真、水印提取准确性和生物特征识别率，为在线签名生物特征的安全性和鲁棒性提供解决方案。 论文来源 本文由Marcos Faundez-Zanuy撰写，作者来自西班牙巴塞罗那的T...

重新思考深度学习技术在生物特征数据纠错中的应用 背景介绍 随着信息技术的发展，生物特征数据在身份验证和安全存储中的应用愈发广泛。传统密码学通常依赖均匀分布且可精确重现的随机字符串，然而，现实中大多数数据（如指纹、虹膜扫描等生物特征）并不具备这样的属性，导致在实际应用中存在生成、存储和检索的诸多挑战。近年来，基于生物特征数据的密码学系统（biometric cryptosystems）被广泛研究，旨在利用独特的生物特征（例如指纹、虹膜等）作为生成加密密钥的来源。然而，由于生物特征数据的固有可变性以及传感器噪声等外部因素，精确恢复加密密钥变得复杂，进而对纠错机制提出了更高的要求。 在这种背景下，近年来深度学习方法凭借其在语音识别、图像处理等领域的卓越表现，被尝试应用于提升生物特征数据的纠错能力。...