过去几年，文本生成图像（T2I）与多模态生成式模型的能力突飞猛进，已经能稳定地产生高质量、具备细节与语义一致性的图像内容。
报告关注的核心矛盾在于：这些「擅长生成」的模型，是否也能在传统低层视觉任务中充当通用求解器（generalist）？
低层视觉（low-level vision）通常强调对图像退化的「精确逆过程」：例如去雾、超分、去噪、去雨、去模糊、去反射、去光晕等。
这类任务的经典评价方式往往依赖 PSNR/SSIM 等参考指标，强调像素级一致性。但生成式模型天生带有「补全/重建」的倾向：它们可能会依据先验去「合理地编造」高频细节，从人眼观感看更清晰、更「像真的」，却在像素对齐意义上偏离GT。
华中科技大学的研究人员最近发布了一篇报告，把这种冲突概括为「人类感知偏好 vs. 传统指标导向」的张力。
报告中提出一个非常直接的问题：Nano Banana Pro能否成为低层视觉全能选手？
报告采用了一个刻意「极简」的使用范式：不训练、不微调，只用「输入图 + 简单文本 prompt」直接让Nano Banana Pro输出结果，对其进行zero-shot基准评测。
零样本+文本提示14个低层任务的系统基准
研究人员把评测扩展到14个低层视觉任务、40个数据集，覆盖三大类能力：图像恢复（restoration）、图像增强（enhancement）、图像融合（fusion）。
任务清单包括：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；
图中用颜色区分了restoration / enhancement / fusion三类任务。
保守估测性能报告特别强调：当前结论是对模型能力的保守估计，即研究人员没有做精细 prompt tuning，也没有用多轮推理去「挑选最好看的输出」，而是用固定、简单的提示词来模拟一种更接近「普通用户上手」的用法。
闭源模型的评测约束在一些任务章节里，研究人员也说明了评测工程细节：由于模型以API方式调用且闭源，无法做任务定制训练；并且生成输出分辨率可能固定在约1024尺度，因此需要将输出resize回与GT一致的分辨率再计算指标，以保证定量比较尽量公平。
视觉「更好看」但指标「更差」
报告最重要的结论可以概括为一句话：
Nano Banana Pro在主观视觉质量上往往更讨好，但在PSNR/SSIM等传统参考指标上整体落后于专用模型。
研究人员将其归因于生成式模型的内在属性：生成式模型更倾向于追求「语义可信/感知合理」，而非严格的像素级对齐；同时模型输出带有随机性（stochasticity），使得稳定性与可复现性也成为部署障碍。
系统性现象：感知质量与指标不一致以Flare Removal为例，研究人员观察到一种非常典型的现象：有些样本视觉上已经「挺干净、挺舒服」，但因为亮度/颜色等与GT存在偏差，量化分数依然不高，这反映了像素级指标对生成式增强的惩罚机制。
同时，研究人员也指出生成模型存在「高上限、低下限」的特征：在合适输入上，它可能在细节恢复上超过SOTA，但这种优势会被扩散/生成模型的随机性与语义漂移所抵消，出现明显方差与语义幻觉，prompt 工程也只能部分缓解，难以保证工业级确定性。
稳健但不极致：生成式模型有时会选择更保守的输出在低光增强（Low-Light Enhancement）的分析中，研究人员给出另一个视角：
Nano Banana Pro可能不太会引入显著的光晕、结构破坏、严重色偏等「灾难性伪影」，这使得它在某些实际应用中具备吸引力；
但它也会出现亮度控制不一致、对prompt敏感、以及与benchmark的GT定义不完全匹配等问题，因此整体仍难以与专用方法竞争。
更进一步，报告还给出可能的改进方向：更具体的prompt设计、few-shot示例对齐、轻量适配/微调、以及把统一多模态模型与任务模块结合的混合范式。
报告贡献与意义：它不只是在「打分」，而是在推动重新定义评测与目标这份报告的价值不止在于给Nano Banana Pro下结论，更在于它把一个长期存在但常被忽略的问题摆到台面上：
当生成式模型进入低层视觉后，「像素一致性」是否仍是唯一目标？
传统指标是否在系统性地误导我们对生成式恢复/增强的判断？
是否需要能同时刻画「感知质量 + 结构/语义稳定性 + 像素保真」的新评测范式？
