weixin_290628651. 生成式模型在低层视觉任务中的表现悖论
最近在计算机视觉圈子里有个很有意思的现象：Nano Banana Pro这类生成式大模型在处理图像去雾、超分辨率等传统低层视觉任务时，明明人眼看起来效果不错，但用PSNR、SSIM这些经典指标一测，分数却不如专用模型。这就像一位厨艺精湛的大厨，做出来的菜顾客都说好吃，但用标准化的营养检测仪器一测，各项指标反而不如快餐店的预制菜。
这个现象背后其实反映了计算机视觉领域一个根本性的认知冲突。低层视觉任务（low-level vision）传统上追求的是对图像退化的"精确逆过程"——比如去雾就是要完美还原没有雾霾时的场景，超分就是要精确恢复丢失的高频细节。这类任务长期以来都是用PSNR（峰值信噪比）和SSIM（结构相似性）这类强调像素级对齐的指标来评估的。
但生成式模型的工作机制完全不同。以Nano Banana Pro为例，它本质上是个基于大规模预训练的多模态模型，其核心能力是根据输入图像和文本提示（prompt）来"想象"出合理的视觉内容。这就导致了一个关键差异：
传统专用模型像是个严谨的修复师，追求的是对原始场景的精确还原；而生成式模型更像是个富有创造力的画家，它更关注输出结果在语义上是否合理、在视觉上是否舒适，至于是否与原始像素严格对齐，反而不是首要考虑因素。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 评测实验的设计与发现
华中科技大学的研究团队设计了一个相当全面的评测方案，他们选取了14类低层视觉任务，覆盖图像恢复（如去雾、去噪）、图像增强（如低光增强）、图像融合（如红外-可见光融合）三大类别。最特别的是，他们刻意采用了"零样本+简单文本提示"的使用方式——不进行任何任务特定的训练或微调，只用基础prompt如"请对这张图像进行超分辨率处理"。
2.1 评测任务范围
实验涵盖的具体任务包括：
- 图像恢复类：Dehazing（去雾）、Super-Resolution（超分）、Deraining（去雨）、Deshadowing（去阴影）、Motion Deblur（运动去模糊）、Defocus Deblur（散焦去模糊）、Denoising（去噪）、Reflection Removal（去反射）、Flare Removal（去光晕）
- 图像增强类：Low-Light Enhancement（低光增强）、Underw