ImagingBench는 비전-언어 모델과 에이전틱 AI가 계산 이미징의 물리·역문제를 실제로 다룰 수 있는지 평가하는 벤치마크로, 광선·파동 광학, 이미지 신호처리, 역재구성, 계산 센싱, 캘리브레이션의 5개 범주 20개 과제로 구성된다. 전문가 안내 역재구성, 플래너 안내 역재구성, 순방향 시스템 시뮬레이션의 세 설정에서 Gemini·GPT·Qwen 등 주요 멀티모달 시스템을 과제 특화 비에이전틱 기법과 비교했다. 그 결과 에이전틱 모델은 특히 렌즈리스 이미징, 이벤트 기반 재구성, ToF 이미징, 홀로그래피 같은 계산 센싱에서 특화 기법보다 일관되게 약했다. 플래너 안내는 고정 프롬프트 대비 미미하고 일관되지 않은 이득만 줬다. 시각적으로 그럴듯한 출력을 내도 참조 기반 충실도는 낮아, 의미론적 시각 능력과 물리적으로 근거 있는 이미징 성능 사이의 큰 간극을 드러냈다.

• •계산 이미징의 물리·역문제를 평가하는 5개 범주 20개 과제 벤치마크 ImagingBench 제시
• •에이전틱 모델이 렌즈리스·이벤트 기반·ToF·홀로그래피 등 계산 센싱에서 특화 기법보다 약함
• •플래너 안내는 고정 프롬프트 대비 미미하고 일관되지 않은 이득만 제공
• •시각적으로 그럴듯해도 참조 기반 충실도는 낮아 의미론적 능력과 물리 기반 성능의 간극 드러냄