Nano Banana Pro è un tuttofare nella visione artificiale di basso livello? Una valutazione completa su 14 compiti e 40 dataset
Is Nano Banana Pro a Low-Level Vision All-Rounder? A Comprehensive Evaluation on 14 Tasks and 40 Datasets
December 17, 2025
Autori: 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
Abstract
La rapida evoluzione dei modelli di generazione testo-immagine ha rivoluzionato la creazione di contenuti visivi. Sebbene prodotti commerciali come Nano Banana Pro abbiano attirato notevole attenzione, il loro potenziale come risolutori generalisti per le tradizionali sfide di visione artificiale di basso livello rimane in gran parte inesplorato. In questo studio, indaghiamo la questione cruciale: Nano Banana Pro è un tuttofare per la visione di basso livello? Abbiamo condotto una valutazione zero-shot completa su 14 diverse attività di basso livello, coprendo 40 dataset diversificati. Utilizzando semplici prompt testuali senza ottimizzazione fine, abbiamo confrontato Nano Banana Pro con modelli specialisti all'avanguardia. La nostra analisi estensiva rivela una netta dicotomia prestazionale: sebbene Nano Banana Pro dimostri una qualità visiva soggettiva superiore, spesso allucinando dettagli plausibili ad alta frequenza che superano i modelli specialisti, rimane indietro nelle metriche quantitative tradizionali basate su riferimento. Attribuiamo questa discrepanza all'intrinseca stocasticità dei modelli generativi, che faticano a mantenere la rigorosa coerenza a livello di pixel richiesta dalle metriche convenzionali. Questo rapporto identifica Nano Banana Pro come un valido contendente zero-shot per le attività di visione di basso livello, sottolineando però che raggiungere l'alta fedeltà dei specialisti di dominio rimane un ostacolo significativo.
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.