O Nano Banana Pro é um Coringa na Visão Computacional de Baixo Nível? Uma Avaliação Abrangente em 14 Tarefas e 40 Conjuntos de Dados
Is Nano Banana Pro a Low-Level Vision All-Rounder? A Comprehensive Evaluation on 14 Tasks and 40 Datasets
December 17, 2025
Autores: 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
Resumo
A rápida evolução dos modelos de geração de texto para imagem revolucionou a criação de conteúdo visual. Embora produtos comerciais como o Nano Banana Pro tenham atraído atenção significativa, seu potencial como solucionadores generalistas para desafios tradicionais de visão computacional de baixo nível permanece amplamente inexplorado. Neste estudo, investigamos a questão crítica: O Nano Banana Pro é um "faz-tudo" da visão de baixo nível? Realizamos uma avaliação abrangente de "zero-shot" em 14 tarefas distintas de baixo nível, abrangendo 40 conjuntos de dados diversos. Utilizando prompts textuais simples sem ajuste fino, comparamos o Nano Banana Pro com modelos especializados de última geração. Nossa análise extensiva revela uma dicotomia de desempenho distinta: embora o Nano Banana Pro demonstre qualidade visual subjetiva superior, frequentemente alucinando detalhes plausíveis de alta frequência que superam os modelos especializados, ele fica atrás nas métricas quantitativas tradicionais baseadas em referência. Atribuímos essa discrepância à estocasticidade inerente dos modelos generativos, que lutam para manter a consistência rigorosa a nível de pixel exigida pelas métricas convencionais. Este relatório identifica o Nano Banana Pro como um competidor capaz de "zero-shot" para tarefas de visão de baixo nível, ao mesmo tempo que destaca que alcançar a alta fidelidade dos especialistas de domínio permanece um obstáculo 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.