Nano Banana 2能否取代传统图像修复模型？图像恢复任务性能评估

生成人工智能的最新进展提出了通用图像编辑模型是否可以作为图像恢复的统一解决方案的问题。我们对 Nano Banana 2 进行了不同场景和退化的系统评估。我们的结果表明，提示设计至关重要，简洁的提示和明确的保真度约束可以在重建和感知质量之间实现更好的平衡。 Nano Banana 2 实现了具有竞争力的全参考性能，并且在用户研究中始终受到青睐，同时在具有挑战性的场景中表现出很强的泛化性。然而，我们观察到感知质量和恢复保真度之间存在差距，因为该模型往往会产生视觉丰富的结果，但细节过度增强且不一致。现有的 IQA 指标或用户研究没有很好地捕捉到这个问题。总体而言，从感知角度来看，通用模型显示出作为统一红外求解器的前景，但需要改进的可控性和保真度感知评估。进一步的比较和详细分析可以在我们的项目存储库中找到：https://github.com/yxyuanxiao/NanoBanana2TestOnIR。