人脸识别系统已广泛部署于日常场景之中。为保护用户隐私，主流方案并不存储原始人脸图像，而是保存用于身份核验的人脸模板。然而，人脸模板反演（Facial Template Inversion，FTI）技术能够从模板重建出人脸图像，从而对生物特征隐私构成威胁。现有反演方法通常只针对单一类型的模板进行拟合，一旦面对训练中未出现过的模板类型，便难以重建出身份一致的人脸。
为突破这一局限，论文作者首先对主流模板提取器进行了系统调研，并根据模板在特征空间中的分布将其划分为五类：单位球面分布、角度线性分布、严格单位球面分布、锥形分布以及非均匀超球面分布。这一观察构成了设计通用反演框架的基础——不同提取器产生的模板分布差异显著，单一映射网络难以同时适配。
基于上述分类，作者提出 GMoE-FTI。该框架采用真正的混合专家（Mixture-of-Experts，MoE）机制，与依赖负载均衡的多分支替代方案不同。整体训练分为三个阶段。第一阶段，独立训练五个映射专家（Mapping Experts，ME）以及一个匹配模块（Matching Module，MM），使每个专家分别对应一类模板分布。第二阶段进行协同推理：由匹配模块的输出为各映射专家的输出加权，融合生成统一的隐编码，并保证该编码与预训练的 StyleGAN3 生成器兼容，从而重建出人脸图像。第三阶段对所有模块进行端到端的联合微调，以强化身份一致性并提升专家之间的协作能力。
实验部分，作者在 LFW 基准上评估了 GMoE-FTI，结果显示其性能优于当前最先进的方法。更具说服力的是跨模板泛化测试：研究者在七种主流但训练中未见过的模板类型上进行了评估，包括 AdaFace、CosFace、CurricularFace、ElasticFace、SphereFace2、SphereFace-R 和 TransFace。结果显示，GMoE-FTI 平均取得 40% 的 TAR（真实接受率）提升，同时 FAPD 与 FAPC 两项指标平均各降低约 2%。这些结果验证了该方法在异构模板之间的通用泛化能力，也表明按模板分布划分专家并结合匹配模块加权融合的思路，能够有效应对未见模板类型的反演难题。
该论文投稿于 2026 年 10 月 19 日，作者为 Zixuan Shen 等四人，收录于 arXiv 计算机视觉与模式识别（cs.CV）分类，同时涉及人工智能（cs.AI）方向，编号为 arXiv:2610.33055。