Является ли Nano Banana Pro универсальным решением для низкоуровневого компьютерного зрения? Комплексная оценка на 14 задачах и 40 наборах данных

Is Nano Banana Pro a Low-Level Vision All-Rounder? A Comprehensive Evaluation on 14 Tasks and 40 Datasets

December 17, 2025

Авторы: 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

Аннотация

Быстрая эволюция моделей генерации изображений по тексту произвела революцию в создании визуального контента. Хотя коммерческие продукты, такие как Nano Banana Pro, привлекли значительное внимание, их потенциал в качестве универсальных решений для традиционных задач низкоуровневого компьютерного зрения остается в значительной степени неисследованным. В данном исследовании мы изучаем ключевой вопрос: является ли Nano Banana Pro универсальным решением для низкоуровневого зрения? Мы провели всестороннюю оценку с нулевым разгоном (zero-shot) на 14 различных низкоуровневых задачах, охватывающих 40 разнообразных наборов данных. Используя простые текстовые промпты без тонкой настройки, мы сравнили Nano Banana Pro с передовыми специализированными моделями. Наш обширный анализ выявляет отчетливую дихотомию производительности: хотя Nano Banana Pro демонстрирует превосходное субъективное визуальное качество, часто генерируя правдоподобные высокочастотные детали, которые превосходят результаты специализированных моделей, он отстает по традиционным количественным метрикам, основанным на эталонных изображениях. Мы объясняем это расхождение присущей генеративным моделям стохастичностью, которая мешает им поддерживать строгую пиксельную согласованность, требуемую традиционными метриками. Данный отчет идентифицирует Nano Banana Pro как способного претендента для zero-shot решения задач низкоуровневого зрения, но при этом подчеркивает, что достижение высокой точности, свойственной узкоспециализированным моделям, остается значительным препятствием.

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.