UWBench：用于 underwater understanding 的综合视觉语言基准

大型视觉语言模型 (VLM) 在自然场景理解方面取得了显著成功，但其在水下环境中的应用仍鲜有探索。水下图像呈现独特挑战，包括严重的光衰减、颜色失真和悬浮颗粒散射，同时需要专门的海洋生态系统和生物分类学知识。为弥合这一差距，我们引入 UWBench，一个专为水下视觉语言理解设计的综合基准测试。UWBench 包含 15,003 张高分辨率水下图像，覆盖海洋、珊瑚礁和深海等多样水下环境。每张图像都包含经人工验证的注释，包括 15,281 条对象指代表达精确描述海洋生物和水下结构，以及 124,983 条问答对，涵盖从对象识别到生态关系理解的多样推理能力。数据集捕获了可见性、照明条件和水体浑浊度的丰富变化，为模型评估提供了真实可靠的测试平台。基于 UWBench，我们建立了三个综合性基准：详细图像描述生成生态信息丰富的场景描述、视觉定位精确定位海洋生物、视觉问答进行水下环境的多模态推理。对最新 VLM 进行大规模实验表明，水下理解仍具有挑战性，仍有显著提升空间。我们的基准为推动水下语境下的视觉语言研究提供了 essential 资源，支持海洋科学、生态监测和自主水下探索等应用。我们的代码和基准将对外公开。