UniPercept: Auf dem Weg zu einem einheitlichen Bildverständnis auf Wahrnehmungsebene für Ästhetik, Qualität, Struktur und Textur
UniPercept: Towards Unified Perceptual-Level Image Understanding across Aesthetics, Quality, Structure, and Texture
December 25, 2025
papers.authors: Shuo Cao, Jiayang Li, Xiaohui Li, Yuandong Pu, Kaiwen Zhu, Yuanting Gao, Siqi Luo, Yi Xin, Qi Qin, Yu Zhou, Xiangyu Chen, Wenlong Zhang, Bin Fu, Yu Qiao, Yihao Liu
cs.AI
papers.abstract
Multimodale große Sprachmodelle (MLLMs) haben bemerkenswerte Fortschritte bei visuellen Verständnisaufgaben wie visueller Lokalisierung, Segmentierung und Bildbeschreibung erzielt. Ihre Fähigkeit, wahrnehmungsbezogene Bildmerkmale zu erfassen, bleibt jedoch begrenzt. In dieser Arbeit stellen wir UniPercept-Bench vor, einen einheitlichen Rahmen für das wahrnehmungsbezogene Bildverständnis in drei Schlüsseldomänen: Ästhetik, Qualität, Struktur und Textur. Wir etablieren ein hierarchisches Definitionssystem und konstruieren umfangreiche Datensätze, um das wahrnehmungsbezogene Bildverständnis zu evaluieren. Auf dieser Grundlage entwickeln wir einen starken Baseline-Ansatz, UniPercept, der durch domainspezifisches Vorab-Training und aufgabenorientiertes Reinforcement Learning trainiert wird und eine robuste Generalisierung sowohl für Visuelle Bewertung (VR) als auch für Visuelle Frage-Antwort-Aufgaben (VQA) ermöglicht. UniPercept übertrifft bestehende MLLMs beim wahrnehmungsbezogenen Bildverständnis und kann als Plug-and-Play-Belohnungsmodell für die Text-zu-Bild-Generierung dienen. Diese Arbeit definiert wahrnehmungsbezogenes Bildverständnis im Zeitalter der MLLMs und legt durch die Einführung eines umfassenden Benchmarks zusammen mit einer starken Baseline eine solide Grundlage für die Weiterentwicklung des wahrnehmungsbezogenen multimodalen Bildverständnisses.
English
Multimodal large language models (MLLMs) have achieved remarkable progress in visual understanding tasks such as visual grounding, segmentation, and captioning. However, their ability to perceive perceptual-level image features remains limited. In this work, we present UniPercept-Bench, a unified framework for perceptual-level image understanding across three key domains: Aesthetics, Quality, Structure and Texture. We establish a hierarchical definition system and construct large-scale datasets to evaluate perceptual-level image understanding. Based on this foundation, we develop a strong baseline UniPercept trained via Domain-Adaptive Pre-Training and Task-Aligned RL, enabling robust generalization across both Visual Rating (VR) and Visual Question Answering (VQA) tasks. UniPercept outperforms existing MLLMs on perceptual-level image understanding and can serve as a plug-and-play reward model for text-to-image generation. This work defines Perceptual-Level Image Understanding in the era of MLLMs and, through the introduction of a comprehensive benchmark together with a strong baseline, provides a solid foundation for advancing perceptual-level multimodal image understanding.