UniPercept: Rumo a uma Compreensão Unificada de Imagem a Nível Perceptual em Estética, Qualidade, Estrutura e Textura
UniPercept: Towards Unified Perceptual-Level Image Understanding across Aesthetics, Quality, Structure, and Texture
December 25, 2025
Autores: 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
Resumo
Os modelos de linguagem multimodal (MLLMs) alcançaram progressos notáveis em tarefas de compreensão visual, como localização visual, segmentação e legendagem. No entanto, sua capacidade de perceber características de imagem a nível perceptual permanece limitada. Neste trabalho, apresentamos o UniPercept-Bench, um framework unificado para compreensão de imagem a nível perceptual em três domínios-chave: Estética, Qualidade, Estrutura e Textura. Estabelecemos um sistema de definição hierárquica e construímos conjuntos de dados em larga escala para avaliar a compreensão de imagem a nível perceptual. Com base nessa fundação, desenvolvemos uma linha de base robusta, o UniPercept, treinado através de Pré-treinamento Adaptativo ao Domínio e RL Alinhado à Tarefa, permitindo generalização robusta em tarefas de Classificação Visual (VR) e Resposta a Perguntas Visuais (VQA). O UniPercept supera os MLLMs existentes na compreensão de imagem a nível perceptual e pode servir como um modelo de recompensa plug-and-play para geração de texto para imagem. Este trabalho define a Compreensão de Imagem a Nível Perceptual na era dos MLLMs e, através da introdução de um benchmark abrangente juntamente com uma linha de base robusta, fornece uma base sólida para avançar a compreensão multimodal de imagem a nível perceptual.
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.