3D几何处理算法实习生

作为“核心生成算法”团队的一员，参与 AI 模型的智能化后处理算法研发，解决自动拓扑、网格模型修复等行业级难题，将 AI 生成物的生产力真正转化为游戏/电商级的商业价值。同时，你也将参与前沿 3D 生成模型的研究与优化，推动生成结果从源头具备更优的几何结构与资产化质量。

【岗位职责】

1. 01

   智能拓扑重构（Retopology）：研发针对 AI 生成高模（如 Marching Cubes 提取的非结构化网格 / GaussMesh）的自动重拓扑算法。实现合理的边流（Edge Flow）生成、自适应网格减面，将数百万面的三角面片自动重构为符合游戏或动画标准的、规整的四边形/多边形低模（Low-Poly Mesh）；

2. 02

   网格模型补洞、修复（Repairing）：研发针对 AI 生成模型表面存在拓扑洞（亏格 >0) 情况下的自动补洞算法；研发对其他模型问题如非流形边、自相交面的修复算法； 3.3D 生成模型研究与资产质量优化：了解/跟踪前沿 3D 生成算法，探索生成阶段对几何质量的优化思路，并与后处理链路形成闭环；

3. 04

   管线集成与落地打磨：在导师指导下，将几何处理算法封装为云端服务，优化性能与鲁棒性，保障服务稳定性

1. 01

   教育背景：计算机科学、应用数学、计算几何或计算机图形学相关专业本科及以上在读；

2. 02

   了解离散几何处理基础算法，包括曲面参数化、曲面光顺、重网格化、网格模型修复等，有 libigl、CGAL、OpenMesh、Open3D、Trimesh 等库的使用经验优先；

3. 03

   具备较强的文献阅读和工程实现能力，精通 C++ ，能熟练使用 Python 进行算法原型的开发与工程化落地；

4. 04

   对 3D AIGC 技术路线有基本了解，理解基于自回归或扩散模型的 3D 内容生成原理。

【加分项】

1. 01

   深入研究或实现过基于深度学习的网格处理（如 Neural Retopology、3D Mesh Segmentation、Mesh Repair 等）或有 3D 数据前沿论文复现经验者优先；

2. 02

   了解基于 NeRF 或 3D Gaussian Splatting 的三维重建网格提取（Mesh Extraction）原理；

3. 03

   参与过 MeshAnything、FastMesh、DeepMesh、LATO、TRELLIS 等知名 3D 生成模型的研发、论文复现或工程落地，或对其他 SOTA 3D 生成模型有深入研究；

4. 04

   曾开发过 3ds Max / Maya / Blender 中的拓扑、UV 或拆分相关的定制化插件；

5. 05

   在图形学或计算机视觉顶会（SIGGRAPH、TOG、Eurographics、CVPR、ICCV、NeurIPS 等）发表过相关研究成果者优先