广州算法实习生 - 三维重建 - 3DGS/仿真生成

优缺点分析

角色解读

• 技术深耕：从3DGS入手，逐步成为三维重建和自动驾驶仿真领域的专家
• 工程与算法结合：积累高性能计算（CUDA）和工程优化经验，向算法工程师或系统架构师发展
• 行业前景：自动驾驶是高速增长赛道，积累的经验可迁移至机器人、AR/VR等领域
• 研发基于3DGS的三维重建算法，用于自动驾驶场景的仿真数据生成
• 优化3DGS模型的显存和渲染性能，提升训练和推理效率
• 搭建数据闭环，包括图像预处理、位姿估计、点云融合等工程流水线
• 跟踪并复现三维视觉领域的最新研究成果，建立评测基准
• 扎实的编程能力：熟练掌握Python和C++，能独立实现算法
• 深度学习框架经验：熟练使用PyTorch，有模型训练和调参经验
• 三维视觉理论基础：熟悉多视图几何、相机模型、NeRF或3DGS
• 数学基础：线性代数和空间几何扎实，能理解论文中的数学推导

申请策略

• 了解小马智行的技术路线和产品，在面试中展示对自动驾驶仿真的理解
• 准备一个完整的项目案例，从问题定义到实现和优化，体现工程思维
• 突出三维视觉相关项目经验，如NeRF、3DGS、多视图几何等
• 强调PyTorch使用经验，包括模型训练、调参和性能优化
• 展示C++和Python的工程能力，如开源项目贡献或高性能代码
• 如有CUDA开发或自动驾驶相关经验，务必重点提及
• 提前学习3DGS论文和开源代码，理解原理和实现细节
• 复习线性代数和空间几何，掌握相机模型和坐标变换

面试指南

• 对于原理类问题：先给出定义，再对比相关方法，最后结合实际应用
• 对于优化类问题：从问题分析入手，提出多种方案，并比较优劣
• 对于项目经验：使用STAR法则（情境、任务、行动、结果）结构化描述
• 请解释3D Gaussian Splatting的原理，与NeRF相比有什么优缺点？
• 如何优化3DGS模型的显存占用和渲染速度？
• 描述一个你使用PyTorch训练模型的经历，遇到过哪些问题？
• 多视图几何中，如何从图像序列估计相机位姿？
• 你对自动驾驶仿真场景生成有什么理解？