生成式图像补全与缺失数据重建算法研究实习生（2D & 3D）

具备良好的沟通协作能力和扎实的科研基础，能够长期与团队合作推进以下一项或多项研究任务： 缺失图像生成式补全 ：研究同时建模噪声与缺失区域的统一框架，在去噪的同时完成被遮挡 / 被采样缺失部分的内容生成，探索扩散模型、Score-based 模型在该问题上的建模与采样策略。 2D 与 3D 统一建模 ：在 2D 自然图像与 3D 体数据 / 三维场景上，设计可迁移的补全与重建方法，理解二维与三维任务在数据分布、几何先验与评价指标上的异同。 三维表示与重建 ：基于 Gaussian Splatting、NeRF 等三维表示，以及传统多视图重建 / 逆问题方法，研究稀疏观测下的三维重建、补全与超分。 理论与方法探索 ：对 Optimal Transport、变分推断、流模型等生成范式有兴趣，尝试将其与补全 / 逆问题求解结合，设计更稳定、更可验证的训练与优化目标。 实验与论文产出 ：在公开数据集与团队自有数据上做系统对比，搭建可复现的实验流程，参与顶会论文的写作与投稿。 团队提供充足的 GPU 算力、完整的数据与实验基础设施，以及算法与工程支持，不要求加入之初就具备全部技能，更看重学习能力和成长潜力。实习周期原则上不少于 3 个月，每周 4 天以上；若个人能力特别突出或已具备成熟相关经验，时间要求可适当放宽

建议具备部分相关经验，或具备主动学习、快速上手的能力与意愿： 计算基础 熟悉 Linux 环境； 具备基本的 GPU 资源调度 / 使用经验； 具备扎实的 Python 脚本与 PyTorch（或等价框架）开发能力。 专业背景 计算机视觉、计算机图形学、机器学习等方向，对图像补全、逆问题求解、生成模型有浓厚兴趣并有相关研究经验者优先； 数学、物理等交叉背景，具备扎实的建模与优化基础，愿意持续投入该方向者同样欢迎。 技能栈（满足其一或多项即可） 生成模型：熟悉 Diffusion Model / Flow Matching / GAN / VAE 中至少一种，理解其训练与采样流程； 三维方向：了解 Gaussian Splatting、NeRF、多视图重建或传统逆问题方法； 理论方向：对 Optimal Transport、变分推断、凸优化有实际动手经验者优先； 工程方向：有大规模训练、分布式实验、数据管线搭建经验者优先。 欢迎具备机器学习算法研究经验、曾在 CVPR / ICCV / NeurIPS / ICML / ICLR 等顶会或高水平期刊发表论文的申请者加入；同时也欢迎对该方向有浓厚兴趣、愿意持续投入学习与实践的同学。团队以实习培养和能力提升为核心，提供充分的成长空间与指导支持。

【职位特点】 成果产出 ：项目已有积累与初步影响力，后续成果将目标投向 CVPR 等计算机视觉顶会及相关期刊。 科研训练 ：深度参与从方法设计、实验验证到成图成文的完整流程，系统掌握生成式建模在缺失数据重建问题上的研究范式。 交叉团队 ：提供高性能 GPU 计算集群与完善的算力保障，无需担心硬件瓶颈，配套数据与算法工程团队，支持从研究到落地的全流程推进。 成长学习 ：接触并学习前沿生成模型与优化理论，在真实科研场景中推动方法创新，同时理解科研项目的组织与运作机制