UniPercept: Naar een Geünificeerd Beeldbegrip op Perceptueel Niveau voor Esthetiek, Kwaliteit, Structuur en Textuur
UniPercept: Towards Unified Perceptual-Level Image Understanding across Aesthetics, Quality, Structure, and Texture
December 25, 2025
Auteurs: 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
Samenvatting
Multimodale grote taalmodellen (MLLM's) hebben opmerkelijke vooruitgang geboekt in visuele begripstaken zoals visuele grounding, segmentatie en bijschriften. Hun vermogen om waarnemingsniveau beeldkenmerken te percipiëren blijft echter beperkt. In dit werk presenteren we UniPercept-Bench, een uniform raamwerk voor beeldbegrip op waarnemingsniveau binnen drie kerngebieden: Esthetiek, Kwaliteit, Structuur en Textuur. We stellen een hiërarchisch definitiesysteem op en construeren grootschalige datasets om beeldbegrip op waarnemingsniveau te evalueren. Op basis hiervan ontwikkelen we een sterke baseline, UniPercept, getraind via Domein-Adaptieve Voorafgaande Training en Taak-Uitgelijnde RL, wat robuuste generalisatie mogelijk maakt voor zowel Visuele Beoordeling (VR) als Visuele Vraag-antwoordtaken (VQA). UniPercept overtreft bestaande MLLM's op het gebied van beeldbegrip op waarnemingsniveau en kan dienen als een plug-and-play beloningsmodel voor tekst-naar-beeldgeneratie. Dit werk definieert Beeldbegrip op Waarnemingsniveau in het tijdperk van MLLM's en biedt, door de introductie van een uitgebreide benchmark samen met een sterke baseline, een solide basis voor het bevorderen van multimodaal beeldbegrip op waarnemingsniveau.
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.