특징 융합은 입력(probes)이 품질이 낮은 $N$개의 이미지로 구성되고 각 이미지의 품질이 다양할 수 있는 제약 없는 얼굴 인식에서 핵심적인 역할을 한다. 주의(attention) 및 순환(recurrent) 모듈의 발전으로 입력 집합 내 이미지 간의 관계를 모델링할 수 있는 특징 융합 기법이 등장하였다. 그러나 주의 메커니즘은 이차 복잡도로 인해 큰 $N$에 대해 확장성이 부족하고, 순환 모듈은 입력 순서에 민감한 문제가 있다. 본 연구에서는 큰 $N$에 대해 확장 가능하면서도 순차적 추론을 수행할 수 있고 순서 불변성(order invariance)을 유지할 수 있는 이중 단계 특징 융합 패러다임인 '클러스터(Cluster)'와 '아그리게이션(Aggregate)'을 제안한다. 구체적으로, 클러스터 단계는 $N$개의 입력을 $M$개의 전역 클러스터 중심에 선형 할당하는 과정이며, 아그리게이션 단계는 $M$개의 클러스터된 특징에 대해 융합을 수행하는 과정이다. 입력이 순차적인 경우 클러스터된 특징은 과거 특징의 요약으로 기능하여 중요한 역할을 한다. 증분 평균 연산의 순서 불변성(순서에 관계없이 동일한 결과를 보장하는 성질)을 활용하여, 시계열이 증가함에 따라 시퀀스 내 초기 이미지의 기여도가 감소하지 않는 배치 순서 불변(batch-order invariance) 업데이트 규칙을 설계하였다. IJB-B 및 IJB-S 기준 데이터셋에서의 실험 결과, 제안하는 이중 단계 패러다임이 제약 없는 얼굴 인식에서 우수한 성능을 보임을 확인하였다. 코드 및 사전 학습 모델은 https://github.com/mk-minchul/caface 에 공개되어 있다.