UniPercept: к унифицированному восприятию изображений на уровне оценки эстетики, качества, структуры и текстуры
UniPercept: Towards Unified Perceptual-Level Image Understanding across Aesthetics, Quality, Structure, and Texture
December 25, 2025
Авторы: 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
Аннотация
Мультимодальные большие языковые модели (MLLM) достигли значительного прогресса в задачах визуального понимания, таких как визуальное позиционирование, сегментация и генерация подписей. Однако их способность воспринимать перцептуальные характеристики изображений остаётся ограниченной. В данной работе мы представляем UniPercept-Bench — унифицированную систему для перцептуального понимания изображений в трёх ключевых областях: эстетика, качество, структура и текстура. Мы разработали иерархическую систему определений и создали масштабные наборы данных для оценки перцептуального понимания изображений. На этой основе мы разработали сильную базовую модель UniPercept, обученную с помощью предметно-адаптивного предобучения и выравнивания задач через обучение с подкреплением, что обеспечивает устойчивую генерализацию как для задач визуального оценивания (VR), так и для визуального ответа на вопросы (VQA). UniPercept превосходит существующие MLLM в области перцептуального понимания изображений и может использоваться как plug-and-play модель вознаграждения для генерации изображений по тексту. Данная работа определяет понятие перцептуального понимания изображений в эпоху MLLM и, благодаря введению комплексного бенчмарка вместе с сильной базовой моделью, закладывает прочную основу для развития перцептуального мультимодального понимания изображений.
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.