计算机视觉算法实习生（人脸活体与大模型安全方向）(J10445)

研究 DeepFake、换脸和扩散模型生成内容中的边缘融合、纹理、频域、时序一致性及身份一致性等伪造特征，复现并改进活体检测、DeepFake 检测、DomainGeneralization 等方向的前沿论文。 研究静默活体、动作活体及多模态活体检测算法在跨设备、跨光照和跨场景泛化能力的应用。参与照片、屏幕翻拍、视频回放、DeepFake、换脸及生成式 AI 人脸攻击的检测研究。 研究 Qwen-VL、MiniCPM-V 等多模态模型在人脸活体检测、伪造线索识别、攻击分析和可解释安全判定中的应用。探索多模态模型与传统视觉模型的特征融合、提示词优化、微调评测及自动化样本审核能力。 研究PuLID、FaceFusion、FaceSwap，GPT Image，数字人等基于生成式换脸方法，探索不同身份、姿态、光照、分辨率等 AI 人脸攻击方法。 探索 Agent Loop，构建“攻击样本生成—自动评测—失败分析—难例挖掘—模型优化”的研发闭环。 使用 Codex、Claude Code 等 AI 工具辅助文献调研、代码开发、实验分析和技术文档输出。

计算机视觉、人工智能等相关专业在校本科生或硕士研究生。 具备良好的数学和计算机视觉基础，了解 CNN、Transformer、ViT 等模型。 对 Qwen-VL、MiniCPM-V 等视觉语言模型有基本了解。 了解活体检测、DeepFake、人脸生成、换脸技术或多模态大模型中的至少一个方向。 具备论文阅读、复现和实验设计能力，能够分析模型失败原因，能够完成模型训练和实验分析。 熟悉 AI Coding 工具，对 Agent、工具调用和自动化评测工作流有兴趣。 每周实习不少于4天，可连续实习3个月及以上。 优先考虑 有人脸活体、DeepFake、PuLID、FaceFusion、FaceSwap 或生成模型相关项目经验。 使用过 Qwen-VL、MiniCPM-V 等多模态模型，具备微调、评测或应用开发经验。 有大语言大模型Qwen，生成式视觉模型，Agent Loop实践经验。 熟悉 CelebA-Spoof、OULU-NPU、SiW、FaceForensics++ 等数据集。