群核科技
3D图形算法工程师（AI 模型资产化方向）
岗位职责
作为“核心生成算法”团队的 3D 处理专家，主导 AI 模型的智能化后处理算法研发，解决自动拓扑、UV 展开及智能部件拆分等行业级难题，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：
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）。
自动化 UV 展开与打包优化： 主导研发智能 UV 切割与展开算法。能够识别网格特征自动生成合理的 UV 接缝（Seams），最小化纹理拉伸与变形；开发高效的 UV 岛（Islands）排版算法，提升纹理图的利用率，支持大模型多视角材质融合管线的烘焙输出。
模型语义分析与部件智能拆分（Segmentation）： 利用几何特征分析与深度学习（如 3D 语义分割模型），将大模型生成的一体化、融合的“死块”模型自动拆分为具有逻辑语义的独立子部件（如将椅子拆分为靠背、坐垫、四条腿），以便于下游客户进行独立的材质替换、物理碰撞体赋予或骨骼绑定。 4.3D 生成模型研究与资产质量优化： 跟踪并研究基于自回归（Autoregressive）、扩散模型（Diffusion Model）等技术路线的前沿 3D 生成算法，探索生成阶段对拓扑结构、几何质量与可编辑性的约束方法。结合公司业务场景，对 Mesh、Gaussian、NeRF 等表示形式的生成结果进行结构化优化与资产化增强。
管线集成与落地打磨： 将上述几何处理算法封装为高效的云端服务，与现有的 Lux3D 大模型生成与材质重绘链路无缝衔接。优化算法性能与鲁棒性，保障数十万量级并发调用的极高成功率
任职要求
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学历。
计算几何底盘扎实： -精通网格处理（Mesh Processing）基础算法（如曲面参数化、拉普拉斯平滑、测地距离计算、主曲率分析、网格重建与简化等）。 -熟悉经典的重拓扑思想（如 QuadCover、Instant Meshes、QuadriFlow 等）及 UV 展开算法（如 LSCM、ABF、ARAP 等）。 -理解 Mesh、Point Cloud、SDF、NeRF、3D Gaussian Splatting 等主流三维表示及其相互转换流程。 -熟悉 AI 生成网格常见问题（非流形结构、拓扑混乱、面数冗余、自交等）及相关优化方法。
编程与工程能力： -熟练使用 C++ 和 Python 进行算法原型的开发与工程化落地。 -深度使用过至少一种业界主流的几何处理计算库（如 libigl、CGAL、OpenMesh、Open3D、Trimesh）。 -具备大规模几何处理任务的性能优化经验。
AI 3D 生成方向经验： -熟悉当前主流 3D AIGC 技术路线，理解基于自回归或扩散模型的 3D 内容生成原理。 -熟悉或深入研究过生成具有良好拓扑结构三角网格的相关工作，包括但不限于 MeshAnything、FastMesh、DeepMesh、LATO、Nexus等方向。 -理解 AI 生成内容资产化过程中涉及的拓扑优化、结构重建、材质映射等关键问题。
行业与管线认知： -深入了解游戏（Unreal/Unity）或影视（Maya/Blender）行业的 3D 资产标准（布线规范、多象限 UDIM、PBR 工作流）。 -具备从生成模型到最终可交付资产的完整生产管线认知。 加分项： -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。 -了解基于 NeRF 或 3D Gaussian Splatting 的三维重建网格提取（Mesh Extraction）原理。 -参与过 MeshAnything、FastMesh、DeepMesh、LATO、TRELLIS 等前沿 3D 生成模型的研发、论文复现或工程落地。 -曾开发过 3ds Max / Maya / Blender 中的拓扑、UV 或拆分相关的定制化插件。 -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
信息来自企业官方招聘渠道
OfferSeek 对公开岗位信息进行聚合、去重和结构化整理，最终申请以企业官方页面为准。