新智元報(bào)道

編輯：LRST

【新智元導(dǎo)讀】最新報(bào)告探討了生成式模型Nano Banana Pro在低層視覺任務(wù)中的表現(xiàn)，如去霧、超分等，傳統(tǒng)上依賴PSNR/SSIM等像素級指標(biāo)。研究發(fā)現(xiàn)，Nano Banana Pro在視覺效果上更佳，但傳統(tǒng)指標(biāo)表現(xiàn)欠佳，因生成式模型更追求語義合理而非像素對齊。報(bào)告還提出改進(jìn)方向和新評測范式的思考，強(qiáng)調(diào)生成式模型雖有潛力，但與專用模型仍有差距。

過去幾年，文本生成圖像（T2I）與多模態(tài)生成式模型的能力突飛猛進(jìn)，已經(jīng)能穩(wěn)定地產(chǎn)生高質(zhì)量、具備細(xì)節(jié)與語義一致性的圖像內(nèi)容。

報(bào)告關(guān)注的核心矛盾在于：這些「擅長生成」的模型，是否也能在傳統(tǒng)低層視覺任務(wù)中充當(dāng)通用求解器（generalist）？

低層視覺（low-level vision）通常強(qiáng)調(diào)對圖像退化的「精確逆過程」：例如去霧、超分、去噪、去雨、去模糊、去反射、去光暈等。

這類任務(wù)的經(jīng)典評價(jià)方式往往依賴 PSNR/SSIM 等參考指標(biāo)，強(qiáng)調(diào)像素級一致性。但生成式模型天生帶有「補(bǔ)全/重建」的傾向：它們可能會依據(jù)先驗(yàn)去「合理地編造」高頻細(xì)節(jié)，從人眼觀感看更清晰、更「像真的」，卻在像素對齊意義上偏離GT。

華中科技大學(xué)的研究人員最近發(fā)布了一篇報(bào)告，把這種沖突概括為「人類感知偏好 vs. 傳統(tǒng)指標(biāo)導(dǎo)向」的張力。

項(xiàng)目主頁：https://lowlevelbanana.github.io

論文鏈接：https://arxiv.org/abs/2512.15110

開源倉庫：https://huggingface.co/datasets/jlongzuo/LowLevelEval

報(bào)告中提出一個(gè)非常直接的問題：Nano Banana Pro能否成為低層視覺全能選手？

報(bào)告采用了一個(gè)刻意「極簡」的使用范式：不訓(xùn)練、不微調(diào)，只用「輸入圖 + 簡單文本 prompt」直接讓Nano Banana Pro輸出結(jié)果，對其進(jìn)行zero-shot基準(zhǔn)評測。

零樣本+文本提示

14個(gè)低層任務(wù)的系統(tǒng)基準(zhǔn)

研究人員把評測擴(kuò)展到14個(gè)低層視覺任務(wù)、40個(gè)數(shù)據(jù)集，覆蓋三大類能力：圖像恢復(fù)（restoration）、圖像增強(qiáng)（enhancement）、圖像融合（fusion）。

任務(wù)清單包括：Dehazing、Super-Resolution、Deraining、Deshadowing、Motion Deblur、Defocus Deblur、Denoising、Reflection Removal、Flare Removal、Low-Light Enhancement、Underwater Enhancement、HDR Imaging、Multi-focus Fusion、Infrared-Visible Fusion；

圖中用顏色區(qū)分了restoration / enhancement / fusion三類任務(wù)。

保守估測性能

報(bào)告特別強(qiáng)調(diào)：當(dāng)前結(jié)論是對模型能力的保守估計(jì)，即研究人員沒有做精細(xì) prompt tuning，也沒有用多輪推理去「挑選最好看的輸出」，而是用固定、簡單的提示詞來模擬一種更接近「普通用戶上手」的用法。

閉源模型的評測約束

在一些任務(wù)章節(jié)里，研究人員也說明了評測工程細(xì)節(jié)：由于模型以API方式調(diào)用且閉源，無法做任務(wù)定制訓(xùn)練；并且生成輸出分辨率可能固定在約1024尺度，因此需要將輸出resize回與GT一致的分辨率再計(jì)算指標(biāo)，以保證定量比較盡量公平。

視覺「更好看」

但指標(biāo)「更差」

報(bào)告最重要的結(jié)論可以概括為一句話：

Nano Banana Pro在主觀視覺質(zhì)量上往往更討好，但在PSNR/SSIM等傳統(tǒng)參考指標(biāo)上整體落后于專用模型。

研究人員將其歸因于生成式模型的內(nèi)在屬性：生成式模型更傾向于追求「語義可信/感知合理」，而非嚴(yán)格的像素級對齊；同時(shí)模型輸出帶有隨機(jī)性（stochasticity），使得穩(wěn)定性與可復(fù)現(xiàn)性也成為部署障礙。

系統(tǒng)性現(xiàn)象：感知質(zhì)量與指標(biāo)不一致

以Flare Removal為例，研究人員觀察到一種非常典型的現(xiàn)象：有些樣本視覺上已經(jīng)「挺干凈、挺舒服」，但因?yàn)榱炼?顏色等與GT存在偏差，量化分?jǐn)?shù)依然不高，這反映了像素級指標(biāo)對生成式增強(qiáng)的懲罰機(jī)制。

同時(shí)，研究人員也指出生成模型存在「高上限、低下限」的特征：在合適輸入上，它可能在細(xì)節(jié)恢復(fù)上超過 SOTA，但這種優(yōu)勢會被擴(kuò)散/生成模型的隨機(jī)性與語義漂移所抵消，出現(xiàn)明顯方差與語義幻覺，prompt 工程也只能部分緩解，難以保證工業(yè)級確定性。

穩(wěn)健但不極致：生成式模型有時(shí)會選擇更保守的輸出

在低光增強(qiáng)（Low-Light Enhancement）的分析中，研究人員給出另一個(gè)視角：

Nano Banana Pro可能不太會引入顯著的光暈、結(jié)構(gòu)破壞、嚴(yán)重色偏等「災(zāi)難性偽影」，這使得它在某些實(shí)際應(yīng)用中具備吸引力；

但它也會出現(xiàn)亮度控制不一致、對prompt敏感、以及與benchmark的GT定義不完全匹配等問題，因此整體仍難以與專用方法競爭。

更進(jìn)一步，報(bào)告還給出可能的改進(jìn)方向：更具體的prompt設(shè)計(jì)、few-shot示例對齊、輕量適配/微調(diào)、以及把統(tǒng)一多模態(tài)模型與任務(wù)模塊結(jié)合的混合范式。

報(bào)告貢獻(xiàn)與意義：它不只是在「打分」，而是在推動(dòng)重新定義評測與目標(biāo)

這份報(bào)告的價(jià)值不止在于給Nano Banana Pro下結(jié)論，更在于它把一個(gè)長期存在但常被忽略的問題擺到臺面上：

• 當(dāng)生成式模型進(jìn)入低層視覺后，「像素一致性」是否仍是唯一目標(biāo)？

• 傳統(tǒng)指標(biāo)是否在系統(tǒng)性地誤導(dǎo)我們對生成式恢復(fù)/增強(qiáng)的判斷？

• 是否需要能同時(shí)刻畫「感知質(zhì)量 + 結(jié)構(gòu)/語義穩(wěn)定性 + 像素保真」的新評測范式？

報(bào)告明確指出：Nano Banana Pro作為零樣本低層視覺求解器，已經(jīng)是一個(gè)很強(qiáng)的 baseline，并展示出跨任務(wù)的「泛化潛力」；但要達(dá)到專用模型那種高保真、可控、穩(wěn)定的水準(zhǔn)仍有明顯鴻溝。

參考資料：

https://arxiv.org/abs/2512.15110

秒追ASI

?點(diǎn)贊、轉(zhuǎn)發(fā)、在看一鍵三連?

點(diǎn)亮星標(biāo)，鎖定新智元極速推送！