UniPercept : Vers une compréhension unifiée des images au niveau perceptuel intégrant l'esthétique, la qualité, la structure et la texture
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
Les modèles de langage multimodaux (MLLM) ont réalisé des progrès remarquables dans les tâches de compréhension visuelle telles que l'ancrage visuel, la segmentation et la légende d'images. Cependant, leur capacité à percevoir les caractéristiques d'image au niveau perceptuel reste limitée. Dans ce travail, nous présentons UniPercept-Bench, un cadre unifié pour la compréhension d'images au niveau perceptuel couvrant trois domaines clés : l'Esthétique, la Qualité, la Structure et la Texture. Nous établissons un système de définition hiérarchique et construisons des jeux de données à grande échelle pour évaluer la compréhension d'images au niveau perceptuel. Sur cette base, nous développons un modèle de référence solide, UniPercept, entraîné via un pré-entraînement adaptatif au domaine et un apprentissage par renforcement aligné sur la tâche, permettant une généralisation robuste à la fois pour les tâches d'Évaluation Visuelle (VR) et de Question-Réponse Visuelle (VQA). UniPercept surpasse les MLLM existants en compréhension d'images au niveau perceptuel et peut servir de modèle de récompresse prêt-à-l'emploi pour la génération d'images à partir de texte. Ce travail définit la Compréhension d'Images au Niveau Perceptuel à l'ère des MLLM et, grâce à l'introduction d'un benchmark complet ainsi qu'un modèle de référence solide, fournit une base solide pour faire progresser la compréhension multimodale d'images au niveau perceptuel.
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.