Nano Banana Pro低层次视觉能力评测：40个数据集覆盖14个任务的零样本极限测试

自2023年起，文生图（Text-to-Image, T2I）模型在创意生成领域竞争日趋激烈。商业产品Nano Banana Pro（基于Gemini 3 Pro构建）以“世界知识整合与高精度生成”闻名，但其在不进行微调或训练、仅依赖提示词的情况下，处理传统低层次视觉任务（如图像去雾、超分辨率、去雨、去阴影等）的能力尚不明确。

为此，研究团队设计了一项全面的“零样本铁人三项”测试，一次性使用14个任务类别下的40个数据集对Nano Banana Pro进行评估。核心实验思路是：仅通过自然语言提示（prompt）驱动，不依赖任何梯度更新。核心目的是回答一个问题：它是否能被视为一个“低层次视觉全能模型”？

实验设计：单一提示词应对多任务

实验涵盖了图像复原、图像增强和图像融合三大类，共计14个具体任务。以下是任务概览与固定提示词示例：

任务类别	代表任务	数据集数量	固定 Prompt 示例
图像复原	去雾、去雨、去阴影、运动/散焦去模糊、去噪	24	“Remove the haze/rain/shadow/blur/noise while keeping other elements unchanged.”
图像增强	超分、低光照增强、水下增强、HDR	10	“Upscale/low-light enhance/underwater enhance/HDR this image.”
图像融合	多焦点融合、红外-可见光融合	6	“Fuse the multi-focus/IR-visible images.”

结果速览：主观视觉优异与客观指标脱节

评估发现，Nano Banana Pro在零样本低层次视觉任务中展现出独特的潜力，尤其是在生成图像的视觉感知质量上表现突出。然而，其在传统全参考量化指标（如PSNR、SSIM）上表现普遍不佳，这主要源于其生成式模型的本质——难以保证像素级的精确一致。

下表概括了其在各任务上的核心表现矛盾：

任务	视觉主观评价	传统指标 (PSNR/SSIM)	无参考指标 (NIQE/NIMA)
去雾	画面通透，甚至“强行”添加蓝天	色彩漂移严重，FADE指标上升	NIMA得分5.44，为测试中最高
超分	纹理“幻觉”（Hallucination）现象显著	PSNR比专业方法低4dB以上	NIQE得分3.52，表现最佳
去雨	桥梁缆索等结构恢复完整	Rain200H数据集PSNR仅21dB	视觉效果更为干净
阴影去除	成功移除硬阴影	PSNR 20.67 dB	出现多余的“手部”幻觉
运动去模糊	低光照文字恢复清晰	GoPro数据集PSNR 21.41 dB	人脸身份被替换
散焦去模糊	仅提升对比度	落后最佳方法6dB以上	几乎未实现去模糊
去噪	画面平滑干净	PolyU数据集PSNR仅24dB	细节被过度平滑

深度案例分析：五大典型任务表现

1. 去雾：蓝天“幻觉”与色彩漂移

• 成功案例：在RTTS重度雾霾图像中，模型成功恢复了远处建筑群的细节（见上图）。
• 失败案例：在阴天场景下，模型倾向于“强制”生成蓝天白云，导致饱和度异常和色彩漂移。
  
  表1：去雾任务量化指标对比（黑色加粗为最优值）

2. 超分辨率：视场膨胀与内容幻觉

• 优点：NIQE（无参考图像质量评价）得分最低，表明生成图像自然，并具有天然去噪效果。
• 缺点：
  • 视场（FOV）膨胀：输出图像内容范围时常大于真实的高分辨率图像（Ground Truth）。
  • 文字幻觉：当输入低质量文字时，模型会“脑补”出错误的笔画。
    
    表2：超分辨率任务量化指标对比

3. 去雨：雨雾混淆的语义歧义

• 优点：能够保持场景的全局语义一致性，恢复清晰的结构（如桥缆）。
• 缺点：模型可能无法准确区分“雨线”和“雾气”，导致将雾一同去除，引起像素级偏差。
  
  表3：去雨任务量化指标对比

4. 阴影去除：多余肢体的幻觉

• 成功案例：对于硬阴影，模型可以干净地去除并保持色调一致。
• 失败案例：在去除手部阴影时，模型可能“幻觉”出另一只不存在的手。
  
  表4：阴影去除任务量化指标对比

5. 运动去模糊：身份信息的不可控

• 优点：在文本图像上去模糊效果显著，文字变得清晰可读。
• 缺点：处理人脸时，身份信息可能发生不可控的改变，出现“换脸”现象及颜色偏移。
  表5：运动去模糊任务量化指标对比

核心结论：生成式模型的优势与局限

本次系统性评估揭示了以Nano Banana Pro为代表的大规模生成式模型在低层次视觉任务上的“双刃剑”特性：

评估维度	生成式模型优势	生成式模型劣势
感知质量	纹理真实、噪声低、无参考指标(NIQE/NIMA)高	像素级不一致，全参考指标(PSNR/SSIM)低
语义一致性	全局场景结构合理	局部细节（身份、文字）易产生幻觉
物理忠实度	无	色彩、尺度、光照等物理属性常被篡改
零样本通用性	14类任务均可通过提示词驱动	单项任务性能弱于专业定制模型

研究指出：“Nano Banana Pro并非传统意义上的图像复原模型，本质上是一个基于世界知识的图像重绘引擎。”这标志着低层次视觉研究的新挑战：如何有效调和生成模型的创造能力与物理约束的精确要求，将是该领域未来的关键方向。

论文与代码：

• 论文链接：https://arxiv.org/pdf/2512.15110
• 代码仓库：https://github.com/zplusdragon/LowLevelBanana

---