人臉識別系統已廣泛部署於日常場景之中。為保護使用者隱私，主流方案並不儲存原始人臉影像，而是儲存用於身份核驗的人臉模板。然而，人臉模板反演（Facial Template Inversion，FTI）技術能夠從模板重建出人臉影像，從而對生物特徵隱私構成威脅。現有反演方法通常只針對單一型別的模板進行擬合，一旦面對訓練中未出現過的模板型別，便難以重建出身份一致的人臉。
為突破這一侷限，論文作者首先對主流模板提取器進行了系統調研，並根據模板在特徵空間中的分佈將其劃分為五類：單位球面分佈、角度線性分佈、嚴格單位球面分佈、錐形分佈以及非均勻超球面分佈。這一觀察構成了設計通用反演框架的基礎——不同提取器產生的模板分佈差異顯著，單一對映網路難以同時適配。
基於上述分類，作者提出 GMoE-FTI。該框架採用真正的混合專家（Mixture-of-Experts，MoE）機制，與依賴負載均衡的多分支替代方案不同。整體訓練分為三個階段。第一階段，獨立訓練五個對映專家（Mapping Experts，ME）以及一個匹配模組（Matching Module，MM），使每個專家分別對應一類别範本分佈。第二階段進行協同推理：由匹配模組的輸出為各對映專家的輸出加權，融合生成統一的隱編碼，並保證該編碼與預訓練的 StyleGAN3 生成器相容，從而重建出人臉影像。第三階段對所有模組進行端到端的聯合微調，以強化身份一致性並提升專家之間的協作能力。
實驗部分，作者在 LFW 基準上評估了 GMoE-FTI，結果顯示其效能優於當前最先進的方法。更具說服力的是跨模板泛化測試：研究者在七種主流但訓練中未見過的模板型別上進行了評估，包括 AdaFace、CosFace、CurricularFace、ElasticFace、SphereFace2、SphereFace-R 和 TransFace。結果顯示，GMoE-FTI 平均取得 40% 的 TAR（真實接受率）提升，同時 FAPD 與 FAPC 兩項指標平均各降低約 2%。這些結果驗證了該方法在異構模板之間的通用泛化能力，也表明按模板分佈劃分專家並結合匹配模組加權融合的思路，能夠有效應對未見模板型別的反演難題。
該論文投稿於 2026 年 10 月 19 日，作者為 Zixuan Shen 等四人，收錄於 arXiv 計算機視覺與模式識別（cs.CV）分類，同時涉及人工智慧（cs.AI）方向，編號為 arXiv:2610.33055。