Ist Nano Banana Pro ein Alleskönner für Low-Level Vision? Eine umfassende Evaluation anhand von 14 Aufgaben und 40 Datensätzen
Is Nano Banana Pro a Low-Level Vision All-Rounder? A Comprehensive Evaluation on 14 Tasks and 40 Datasets
December 17, 2025
papers.authors: Jialong Zuo, Haoyou Deng, Hanyu Zhou, Jiaxin Zhu, Yicheng Zhang, Yiwei Zhang, Yongxin Yan, Kaixing Huang, Weisen Chen, Yongtai Deng, Rui Jin, Nong Sang, Changxin Gao
cs.AI
papers.abstract
Die rasante Entwicklung von Text-zu-Bild-Generierungsmodellen hat die Erstellung visueller Inhalte revolutioniert. Während kommerzielle Produkte wie Nano Banana Pro erhebliche Aufmerksamkeit erregt haben, ist ihr Potenzial als universelle Lösungsansätze für traditionelle Low-Level-Vision-Herausforderungen weitgehend unerforscht. In dieser Studie gehen wir der entscheidenden Frage nach: Ist Nano Banana Pro ein Allrounder für Low-Level Vision? Wir führten eine umfassende Zero-Shot-Evaluierung über 14 verschiedene Low-Level-Aufgaben und 40 diverse Datensätze hinweg durch. Durch die Verwendung einfacher textueller Prompts ohne Feinabstimmung verglichen wir Nano Banana Pro mit state-of-the-art spezialisierten Modellen. Unsere umfangreiche Analyse zeigt eine deutliche Leistungsdichotomie: Während Nano Banana Pro eine überlegene subjektive visuelle Qualität demonstriert und oft plausible Hochfrequenzdetails halluziniert, die spezialisierte Modelle übertreffen, bleibt es in traditionellen referenzbasierten quantitativen Metriken zurück. Wir führen diese Diskrepanz auf die inhärente Stochastizität generativer Modelle zurück, die Schwierigkeiten haben, die strikte Pixelgenauigkeit zu gewährleisten, die von konventionellen Metriken gefordert wird. Dieser Bericht identifiziert Nano Banana Pro als einen fähigen Zero-Shot-Kandidaten für Low-Level-Vision-Aufgaben, betont jedoch, dass die Erreichung der hohen Genauigkeit von Domänenspezialisten nach wie vor eine erhebliche Hürde darstellt.
English
The rapid evolution of text-to-image generation models has revolutionized visual content creation. While commercial products like Nano Banana Pro have garnered significant attention, their potential as generalist solvers for traditional low-level vision challenges remains largely underexplored. In this study, we investigate the critical question: Is Nano Banana Pro a Low-Level Vision All-Rounder? We conducted a comprehensive zero-shot evaluation across 14 distinct low-level tasks spanning 40 diverse datasets. By utilizing simple textual prompts without fine-tuning, we benchmarked Nano Banana Pro against state-of-the-art specialist models. Our extensive analysis reveals a distinct performance dichotomy: while Nano Banana Pro demonstrates superior subjective visual quality, often hallucinating plausible high-frequency details that surpass specialist models, it lags behind in traditional reference-based quantitative metrics. We attribute this discrepancy to the inherent stochasticity of generative models, which struggle to maintain the strict pixel-level consistency required by conventional metrics. This report identifies Nano Banana Pro as a capable zero-shot contender for low-level vision tasks, while highlighting that achieving the high fidelity of domain specialists remains a significant hurdle.