3D/4D重建生成算法实习生

优缺点分析

角色解读

• 可以深入掌握3D视觉和自动驾驶领域的前沿技术，未来发展为高级算法工程师或研究员
• 有机会在顶级会议（如CVPR、NeurIPS）上发表论文，提升学术影响力
• 积累大厂实习经验后，可转向计算机视觉、自动驾驶或机器人领域的全职岗位
• 参与3D/4D重建生成算法的研究与开发，涉及神经辐射场（NeRF）和3D高斯泼溅（3DGS）等前沿技术
• 将研究原型转化为可扩展的系统，支持自动驾驶真实应用场景中的模型训练与评估
• 构建并维护模型性能评估与可视化工具，产出高质量论文或实现业务落地
• 扎实的C++和Python编程能力，熟悉PyTorch或TensorFlow等深度学习框架
• 对神经重建技术（如3DGS、NeRF）有基本理解或相关经验，尤其是3DGS重光照或物体重建
• 熟练在Linux环境下工作，具备良好的问题解决和沟通协作能力

申请策略

• 在简历中明确体现对自动驾驶场景的理解，或相关项目与业务的关联
• 提前了解小米自动驾驶团队的公开成果和技术方向，在面试中展示热情
• 突出相关项目经验，如3DGS、NeRF的实现或改进，附上GitHub链接或论文预印本
• 强调编程能力（C++/Python）和深度学习框架（PyTorch/TensorFlow）的使用经历
• 如果有竞赛获奖或论文发表，务必醒目展示
• 复习3D重建相关论文（3DGS、NeRF系列），并动手复现简易版本
• 熟悉Linux开发环境，掌握常用命令和脚本编写

面试指南

• 对于原理类问题，先阐述核心思想，再对比不同方法的优缺点，最后结合自己的经验举例
• 对于实践类问题，结构化回答：问题描述、解决方案、实施过程、结果与反思
• 对于开放性场景问题，从技术挑战、数据限制、性能要求等角度分点回答，体现系统性思考
• 请简述3DGS的原理及其与NeRF的主要区别
• 如何优化3DGS的渲染速度？你有哪些实践经验？
• 在自动驾驶场景中，3D重建可能遇到哪些挑战？如何解决？
• 你使用过哪些深度学习框架？请描述一个你使用PyTorch实现的复杂模型
• 你是否有在Linux环境下进行高效开发的技巧？