Paper: UniPercept: Towards Unified Perceptual-Level Image Understanding across Aesthetics, Quality, Structure, and Texture

arXiv: 2512.21675

核心方向： MLLM / Perceptual Understanding / Image Reward

1. 一句话总结

UniPercept 将 MLLM 从“语义理解”扩展到“感知层理解”，统一处理图像的美学、质量、结构与纹理，并通过 DAPT + Task-Aligned RL 训练，使模型同时具备评分（VR）和问答（VQA）能力。

最终还可以直接作为 T2I Reward Model。

2. 为什么做？

传统 MLLM 擅长：

物体识别
场景理解
Caption
VQA
Visual Grounding

但不擅长：

这张图有多美？
图像质量有多高？
哪里存在 distortion？
结构是否规整？
纹理是否丰富？

即：

Semantic-level Understanding
        ↓
“图里有什么？”

Perceptual-level Understanding
        ↓
“图像看起来怎么样？”

论文认为目前 MLLM 在这一层存在明显不足。

3. UniPercept-Bench

论文首先构建统一的 Perceptual-Level Understanding Benchmark。

三个领域：

                    UniPercept-Bench
                          │
             ┌────────────┼────────────┐
             ↓            ↓            ↓
            IAA          IQA          ISTA
        Aesthetics      Quality    Structure & Texture

IAA