Exact（精确后验分数估计）是求解线性逆问题的一类方法，其核心是在已知退化模型的前提下，精确估计后验分布的分数函数，从而从观测数据中重建原始信号。相比依赖近似采样的扩散式方案，Exact 路线追求理论上的精确性，在图像复原、去噪等逆问题场景中受到关注。近日，一篇题为 Exact Posterior Score Estimation for Solving Linear Inverse Problems 的论文在 arXiv 发布，将这一方向推向了新的讨论热度。
Exact Posterior Score Estimation 的研究进展
该论文（arXiv:2606.17048）提出了对线性逆问题的后验分数进行精确估计的框架。其思路是：当退化算子为线性且已知时，可以先验分数出发，通过解析变换得到后验分数的精确形式，避免传统方法中用噪声条件分数近似后验分数带来的系统性偏差。这一处理方式理论上可提升重建质量，尤其在高噪声或病态退化条件下。
Exact 方法的价值在于它回应了基于扩散模型的逆问题求解长期存在的争议点：扩散采样器本质上是对后验分布做近似采样，其误差来源难以定量刻画。精确分数估计为这类误差提供了一个理论上可分析的基准，也让“近似方法距最优还有多远”变得可度量。
相关领域的对照与观察点
同期多项工作从不同侧面触及“精确性 vs 近似”这一主题。长上下文方向的 FreqDepthKV（arXiv:2607.06519）通过频率引导的深度共享压缩 KV 缓存，属于有损近似的效率路线；而 CCG 方向性符号后端（arXiv:2607.02307）则在结构泛化上超越了 AM-Parser，显示形式化方法仍能带来可验证的收益。检索侧的 LEMUR 多向量压缩在长尾语料上暴露长度偏差（Milvus 报道），同样说明近似压缩策略的误差分布并不均匀。
对关注 Exact 这一方向的读者，值得追踪三个问题：一是精确分数估计在非线性退化或未知退化模型下能否推广；二是其计算开销与近似方法相比是否有竞争力；三是精确基准能否反过来帮助校准扩散类方法的误差上界。在线性逆问题这个相对成熟的领域，从近似走向精确或至少可量化的近似，可能成为下一阶段的方法论主线。