[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-exact-posterior-scores-inverse-problems-zh":3,"article-related-exact-posterior-scores-inverse-problems-zh":30,"series-research-4c04ff19-06b6-4917-92df-189e6a34886b":73},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"4c04ff19-06b6-4917-92df-189e6a34886b","exact-posterior-scores-inverse-problems-zh","精確後驗分數解線性反問題","\u003Cp data-speakable=\"summary\">EPS 把線性反問題的後驗分數寫成閉式，讓既有去噪器訓練與採樣流程幾乎不用改。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>研究機構\u003C\u002Fstrong>：arXiv 摘要未明確標註\u003C\u002Fli>\u003Cli>\u003Cstrong>核心數據\u003C\u002Fstrong>：去噪器評估次數約少一個數量級\u003C\u002Fli>\u003Cli>\u003Cstrong>突破點\u003C\u002Fstrong>：閉式後驗分數\u003C\u002Fli>\u003C\u002Ful>\u003Cp>\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2606.17048\">Exact Posterior Score Estimation for Solving Linear Inverse Problems\u003C\u002Fa> 這篇在處理一個很常見的落差：擴散\u003Ca href=\"\u002Fnews\u002Flanguage-models-value-axis-zh\">模型\u003C\u002Fa>和 flow-based 模型很會學資料先驗，但線性反問題要的是「看起來合理」之外，還要對量測值一致的後驗樣本。這篇摘要主張，對線性高斯反問題，可以把後驗分數精確寫出來，而且訓練時仍可沿用標準去噪目標，不必把整套 denoiser 結構打掉重練。\u003C\u002Fp>\u003Cp>這件事的價值很直接。很多實務系統不是維持一個預訓練去噪器，再外掛近似的量測修正，就是乾脆訓練另一個條件式模型。但前者常常要多一層近似修正，後者又可能失去原本去噪器的優勢。EPS 想做的是，把後驗條件直接塞回去噪框架裡，讓「學先驗」和「符合量測」不再互相拉扯。\u003C\u002Fp>\u003Ch2>它想解的痛點是什麼\u003C\u002Fh2>\u003Cp>擴散模型和 flow-based 模型的核心能力，是把高斯雜訊一步步反推回資料分布。白話說，它們知道怎麼把亂掉的訊號修回一個合理樣本。但線性反問題不是只要合理樣本。你還要這個樣本跟觀測資料對得上。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781591581223-cx37.png\" alt=\"精確後驗分數解線性反問題\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>摘要指出，現有方法通常卡在兩邊。第一種做法是固定一個預訓練去噪器，再用近似的量測匹配修正去推結果。第二種做法是直接訓練條件式修復模型，但這樣可能就不再保留原本去噪預訓練的結構。EPS 的定位，就是想避開這個取捨。\u003C\u002Fp>\u003Cp>對開發者來說，這個問題很實際。如果你的 sampler 每一步都得額外做量測修正，流程會變複雜，算力也會上去。如果你整個重訓成條件模型，又不一定能重用既有 diffusion backbone。這篇就是在處理這個「想要後驗，但不想把系統改爛」的工程痛點。\u003C\u002Fp>\u003Ch2>方法到底怎麼運作\u003C\u002Fh2>\u003Cp>這篇的核心，是把線性高斯反問題下的「精確後驗分數」推成閉式，而且是建立在一般 Gaussian interpolants 的設定上。摘要沒有把完整推導展開，但它給了一個很重要的解讀：後驗採樣可以被改寫成一個去噪問題，只是這個去噪是在一個和算子有關的 shifted pivot 上進行，雜訊協方差則是 anisotropic 的，也就是不是每個方向都一樣。\u003C\u002Fp>\u003Cp>這句話看起來很硬，但工程上的意思其實很清楚。EPS 不是把條件資訊當成外掛修正，而是把後驗本身重新寫成仍然像去噪的形式。那個 pivot 會跟 measurement operator 有關，表示量測矩陣怎麼作用，會直接進到 score 的表達式裡。\u003C\u002Fp>\u003Cp>有了這個等式之後，作者把它\u003Ca href=\"\u002Fnews\u002Fvibe-coding-workflow-plan-prompt-refine-zh\">做成\u003C\u002Fa> Exact Posterior Score，簡稱 EPS，當成一個去噪訓練目標。這裡最重要的設計，是它保留了標準預訓練的輸入輸出結構。也就是說，你可以從頭訓練，也可以拿既有 denoiser 做 fine-tune，而不需要把 backbone 換成另一套完全不同的條件式架構。\u003C\u002Fp>\u003Cp>推論階段也很關鍵。摘要明確提到，EPS 直接使用底層 backbone 的 sampler，不需要 likelihood gradients 或 projections。這代表後驗修正不是在 runtime 再多跑一個迴圈，而是被吸收到訓練裡。對部署來說，這通常比外掛修正更乾淨。\u003C\u002Fp>\u003Ch2>論文實際證明了什麼\u003C\u002Fh2>\u003Cp>摘要提到，作者在五個線性反問題上做了評估，資料集涵蓋 FFHQ 和 ImageNet。結果上，EPS 在 fidelity、perceptual 和 distributional metrics 上都優於 training-free 與 training-based baseline。不過摘要沒有公開完整 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 數字，所以這裡不能硬補具體分數。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781591578292-lyj4.png\" alt=\"精確後驗分數解線性反問題\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>真正有數字的地方，是效率。摘要說 EPS 相較於 gradient-based posterior samplers，大約少了一個數量級的 denoiser evaluations。這一點很值得注意，因為在 diffusion 類管線裡，denoiser evaluation 往往就是推論成本的大頭。少一個數量級，通常不是小修小補，而是會直接影響能不能上線。\u003C\u002Fp>\u003Cp>摘要也說，這個方法同時支援從頭訓練和 fine-tuning。這讓它比只適合事後修正的做法更彈性，也比只能全新訓練的條件模型更容易接進既有系統。只是摘要沒有說用了哪些 backbone 架構，所以不能把它解讀成某一種特定模型的結果。\u003C\u002Fp>\u003Cul>\u003Cli>評估了 5 個線性反問題\u003C\u002Fli>\u003Cli>資料涵蓋 FFHQ 與 ImageNet\u003C\u002Fli>\u003Cli>比較了 training-free 與 training-based baseline\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>對開發者有什麼影響\u003C\u002Fh2>\u003Cp>如果你在做 restoration、reconstruction，或是任何帶 measurement conditioning 的生成系統，這篇會有吸引力，因為它想把 posterior sampling 變回「像普通去噪一樣」的事。這通常意味著訓練流程更單純，也比較容易重用既有 diffusion backbone，而不是每次都重新設計條件模組。\u003C\u002Fp>\u003Cp>算力面向也很實際。去噪器評估次數少一個數量級，對 latency-sensitive 的管線來說很可能是決定性的差異。摘要沒有提供 wall-clock、記憶體占用，或部署環境下的實測數據，所以還不能直接推論成實際服務成本下降多少。\u003C\u002Fp>\u003Cp>但這篇也有明確邊界。EPS 的推導是針對線性高斯反問題，而且建立在 general Gaussian interpolants 之上。這是一個有用的類別，但仍然只是某一類問題。摘要沒有宣稱它同樣適用於非線性反問題、非高斯觀測模型，或任意 measurement operator。\u003C\u002Fp>\u003Cp>所以比較務實的讀法是：如果你的問題結構剛好符合這些假設，EPS 可能是一條更乾淨的後驗生成路線；如果你的\u003Ca href=\"\u002Fnews\u002Fopenai-ona-buy-adds-reach-to-codex-zh\">任務\u003C\u002Fa>更複雜，就不能直接把它當成萬用解法。\u003C\u002Fp>\u003Ch2>還有哪些資訊沒說清楚\u003C\u002Fh2>\u003Cp>摘要沒有交代幾個對實作很重要的細節。像是五個反問題各自是什麼、用了哪些 denoiser 架構、sampler 的超參數怎麼設、以及絕對指標是多少，摘要都沒有寫。它也沒有提供 ablation，說明到底是哪一段設計帶來主要增益。\u003C\u002Fp>\u003Cp>這代表目前最穩妥的結論只能收斂到一件事：EPS 提供了線性反問題下的精確後驗分數形式，而且在作者測試的基準上，看起來同時改善了品質和效率。\u003C\u002Fp>\u003Cp>對已經在做 diffusion-based reconstruction 的團隊來說，這篇值得細看，因為它不是再疊一層 \u003Ca href=\"\u002Ftag\u002Finference\">inference\u003C\u002Fa>-time 技巧，而是直接從 score 層級重寫條件問題。若推導和實作都成立，這種改法通常比外掛修補更有機會把整條 pipeline 簡化下來。\u003C\u002Fp>","EPS 把線性反問題的後驗分數寫成閉式，讓既有去噪器訓練與採樣流程幾乎不用改。","arxiv.org","https:\u002F\u002Farxiv.org\u002Fabs\u002F2606.17048",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781591581223-cx37.png","research","zh","99c24ad4-5a05-4bd8-a1fc-1c9676530a3a",[17,18,19,20,21],"diffusion model","inverse problems","posterior score","linear Gaussian","denoising",[23,24,25],"把線性高斯反問題的後驗分數寫成閉式，讓條件採樣回到去噪框架。","相較 gradient-based posterior samplers，去噪器評估次數約少一個數量級。","摘要未公開完整 benchmark 數字，也未說明可否直接外推到非線性反問題。",0,"2026-06-16T06:32:31.505084+00:00","2026-06-16T06:32:31.492+00:00","0c35a120-52fc-41fc-afa3-d404eb934158",{"tags":31,"relatedLang":32,"relatedPosts":36},[],{"id":15,"slug":33,"title":34,"language":35},"exact-posterior-scores-inverse-problems-en","Exact posterior scores for inverse problems","en",[37,43,49,55,61,67],{"id":38,"slug":39,"title":40,"cover_image":41,"image_url":41,"created_at":42,"category":13},"4d112775-a2e2-4f60-b930-0fe333a2e42c","contextrl-teaches-llms-to-pick-right-evidence-zh","ContextRL 讓 LLM 學會挑證據","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781590688900-6wns.png","2026-06-16T06:17:29.909578+00:00",{"id":44,"slug":45,"title":46,"cover_image":47,"image_url":47,"created_at":48,"category":13},"cb7401ba-eb16-48ac-9d61-79c2688666f1","language-models-value-axis-zh","語言模型有一條「價值軸」","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781589777319-s2yz.png","2026-06-16T06:02:35.459663+00:00",{"id":50,"slug":51,"title":52,"cover_image":53,"image_url":53,"created_at":54,"category":13},"2a2b904a-d812-40ae-bdac-dc07bc6afd45","persona-pruner-lightweight-role-playing-models-zh","Persona-Pruner：把大模型修成角色專用小腦袋","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781505181281-pq7r.png","2026-06-15T06:32:24.904806+00:00",{"id":56,"slug":57,"title":58,"cover_image":59,"image_url":59,"created_at":60,"category":13},"d77cb1e8-9169-416f-a673-317bc4e2ee39","clinhallu-medical-mllm-hallucination-benchmark-zh","ClinHallu 追蹤醫療 MLLM 幻覺來源","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781504269169-ifu4.png","2026-06-15T06:17:22.803066+00:00",{"id":62,"slug":63,"title":64,"cover_image":65,"image_url":65,"created_at":66,"category":13},"8ceebbae-fce7-4672-9aaa-83f087961e43","gaze-heads-steering-vlms-attention-zh","用注意力頭引導 VLM 看圖說話","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781503374052-ojne.png","2026-06-15T06:02:26.201961+00:00",{"id":68,"slug":69,"title":70,"cover_image":71,"image_url":71,"created_at":72,"category":13},"e6c76870-1fa5-45e5-bb8c-436070b9e5cc","ai-benchmarks-2026-evaluations-limits-zh","AI Benchmarks 2026：高分撞上天花板","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781381872937-6kjx.png","2026-06-13T20:17:25.971321+00:00",[74,79,84,89,94,99,104,109,114,119],{"id":75,"slug":76,"title":77,"created_at":78},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":80,"slug":81,"title":82,"created_at":83},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":85,"slug":86,"title":87,"created_at":88},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":90,"slug":91,"title":92,"created_at":93},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]