人脸Deepfake与视频鉴伪实习生

参与人脸Deepfake及AI生成/篡改视频鉴伪模型与算法的研发与优化，包括真实/伪造数据集构建、模型预训练/微调、时空特征学习、跨伪造方法泛化及复杂场景鲁棒性优化等技术的研究与落地应用；

参与人脸合成、换脸（Face Swap）、人脸重演（Face Reenactment）、Talking Face/Lip-sync、数字人及AI生成视频等场景的检测研究，重点探索跨伪造方法、跨数据集、跨生成器泛化及未知Deepfake检测等前沿技术；

参与端到端人脸Deepfake与视频鉴伪算法体系的设计与优化，研究基于身份一致性、局部伪造痕迹、生理/物理一致性及时空一致性的检测方法，以及Video Foundation Model和多模态表征在深度鉴伪中的应用，提升复杂场景下的检测准确性与泛化能力；

负责跟踪和调研Face Deepfake Detection、AI-generated Video Detection、Digital Human、Multimodal Deepfake Detection等领域的前沿技术、行业方案及学术成果，持续迭代优化现有鉴伪算法体系。

硕士及以上学位在读，计算机科学、人工智能、机器学习、计算机视觉、图像与视频处理、电子信息等相关专业；

有Deepfake检测、人脸识别/人脸分析、视频理解、视频生成、数字人、多模态学习或多媒体内容安全等相关研究或技术落地背景优先；

熟练掌握Python、C/C++等编程语言及PyTorch等主流深度学习框架，熟悉CNN、Vision Transformer、Video Transformer等模型，以及人脸检测与识别、视频时序建模等相关技术；

熟悉Face Recognition、Temporal Modeling、Multimodal Learning、Domain Generalization、OOD Detection、Foundation Model等方向中的一种或多种技术，有人脸Deepfake跨数据集泛化、跨生成器泛化或未知伪造检测研究经验者优先；

在CVPR、ICCV、ECCV、NeurIPS、ICML、ICLR、ACM MM、AAAI等人工智能、计算机视觉及多媒体领域顶级会议发表过相关论文，或具有人脸Deepfake、视频理解/生成、数字人相关科研项目及实习经验者优先；

具备良好的自主学习能力和科研自驱力，逻辑思维清晰，能够快速跟踪人脸Deepfake及AI视频生成领域前沿技术，具备优秀的科研创新、实验分析、沟通和团队协作能力。