Le Nano Banana Pro est-il un couteau suisse de la vision bas niveau ? Une évaluation complète sur 14 tâches et 40 jeux de données
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
L'évolution rapide des modèles de génération texte-image a révolutionné la création de contenu visuel. Bien que des produits commerciaux comme le Nano Banana Pro aient retenu une attention considérable, leur potentiel en tant que solutions généralistes pour les défis traditionnels de la vision bas-niveau reste largement inexploré. Dans cette étude, nous investiguons la question cruciale : Le Nano Banana Pro est-il un couteau suisse de la vision bas-niveau ? Nous avons mené une évaluation zero-shot complète sur 14 tâches bas-niveau distinctes couvrant 40 jeux de données variés. En utilisant de simples invites textuelles sans affinage, nous avons comparé le Nano Banana Pro à des modèles spécialistes de pointe. Notre analyse approfondie révèle une dichotomie de performance nette : si le Nano Banana Pro démontre une qualité visuelle subjective supérieure, en hallucinant souvent des détails haute fréquence plausibles qui surpassent les modèles spécialistes, il accuse un retard dans les métriques quantitatives traditionnelles basées sur des références. Nous attribuons cet écart à la stochasticité inhérente des modèles génératifs, qui peinent à maintenir la cohérence pixelique stricte exigée par les métriques conventionnelles. Ce rapport identifie le Nano Banana Pro comme un candidat zero-shot compétent pour les tâches de vision bas-niveau, tout en soulignant qu'atteindre la haute fidélité des spécialistes de domaine reste un défi significatif.
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.