3D 视觉算法研究员

主导前馈式(feed-forward)三维重建方向的前沿研究,包括基于大规模数据训练的几何基础模型(DUSt3R/MASt3R、VGGT、π³、MapAnything 等技术路线)与 generalizable 3DGS(pixelSplat、MVSplat、AnySplat、LVSM、LRM 系列等),摆脱传统 SfM(COLMAP)流程对稠密视角与已知位姿的依赖;

攻克稀疏视角、无位姿(pose-free)、弱纹理、大视角变化等真实输入条件下的高质量重建问题,探索几何先验、生成式先验(diffusion / video prior)补全、跨视角一致性、度量尺度恢复等关键技术;

探索前馈初始化与优化式精修相结合的混合重建范式,在速度、鲁棒性与生产级质量之间找到最优解;

构建大规模多源训练数据管线(真实采集、合成数据、视频数据)与系统化评测体系,主导多机多卡大规模训练;

与工程团队紧密合作,将研究成果转化为线上重建服务,优化推理时延与显存占用,支撑手机视频、全景图等多种输入形态;

跟踪领域最新进展,在 CVPR / ICCV / ECCV / NeurIPS / ICLR / SIGGRAPH 等顶级会议发表论文,保持团队的学术影响力

计算机视觉、计算机图形学、机器学习等相关方向硕士及以上学历;

深入理解 3DGS / NeRF 的原理与实现细节,具备扎实的多视角几何功底(SfM、MVS、相机模型、Bundle Adjustment);

在三维重建、新视角合成或相关领域有高质量研究成果:以第一作者在顶会顶刊(CVPR / ICCV / ECCV / NeurIPS / ICLR / SIGGRAPH / TPAMI 等)发表过论文,或有有影响力的开源项目 / 大规模落地系统;

熟练使用 PyTorch,有大规模模型训练经验(多机多卡、混合精度、大规模数据管线);

扎实的 Python / C++ 编程能力与工程素养,能独立完成从想法验证到系统实现的完整闭环;

良好的数学基础(线性代数、概率统计、数值优化)与问题拆解能力。 加分项

有 feed-forward 重建方向的直接研究经验:pointmap 回归、pose-free 重建、generalizable 3DGS、大型重建模型(LRM 类)等;

熟悉 CUDA 与可微光栅化管线,做过 3DGS 训练或渲染侧的性能优化;

有扩散模型、视频生成或世界模型相关经验,理解生成先验在重建中的应用;

有 LiDAR / 深度传感器融合、SLAM 或大规模场景重建经验;

gsplat、nerfstudio 等知名开源项目的贡献者,或拥有高影响力的个人开源项目;

有 transformer 大模型训练与 scaling 实践经验。 我们提供

有竞争力的薪酬与长期激励;

充足的 GPU 算力,以及业界稀缺的海量真实室内 / 室外场景数据;

自研全链路技术栈(采集 → 重建 → 渲染 → 后处理),你的研究不会停在 demo,而会成为被大规模使用的产品能力;

自由开放的研究氛围:支持论文发表、开源与学术会议交流;

小而精的团队,与一线研究者和资深工程师并肩作战