禾赛
计算机视觉算法工程师（三维重建方向）
计算机视觉算法工程师（三维重建方向）
发布于 6 小时前普通员工/个人贡献者
全职员工仅现场办公计算机视觉工程
计算机视觉工程
3Dgs
3D重建
Sfm
Slam
几何建模
深度学习
点云处理
计算机视觉
值不值得投
74综合评分
综合评分 74
高难度前沿算法岗、技术栈顶级、成长空间大、行业前景好，WLB需自行评估。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
33K
比计算机视觉工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
66 个在招
市场机会
选择面较广
上海 · 计算机视觉工程 · 82 个在招
职位详情
关于这个职位
该职位是禾赛科技三维重建算法团队的核心算法工程师岗位
主要负责世界模型三维重建前沿算法的研发，需要你深耕计算机视觉领域，主导或全程参与从算法设计、模型研发到工程落地的全链路工作，致力于解决高保真、快速重建的技术瓶颈，以提升产品性能与业务效能
最低要求
希望你具备的算法研发经验（至少之一）：
深耕3D Gaussian Splatting（3DGS）领域，精通其核心算法体系，包括但不限于几何建模、材质重建、数据压缩、HDR渲染、数字人（Avatar）、前馈GS等关键技术模块
对高质量视觉效果、精准几何表征具备深刻的学术认知与工程实践见解，能够高效消化吸收学术界前沿方案，并将其转化为可落地的产品技术能力，解决实际业务中的视觉与几何重建痛点
精通运动恢复结构（SfM）算法全流程核心逻辑，能够精准分析经典SfM算法的技术局限性，并结合学术界最新研究成果设计针对性改进方案
具备Colmap、OpenMVG等主流SfM框架的二次开发与性能优化经验，深入掌握Flowmap、VGGSfM、DUST3R、VGGT等端到端重建方法，拥有完整的模型后训练、性能调优经验，且具备将SfM相关技术落地到实际产品的成熟方法论与工程实践案例
精通视觉-激光多传感器融合算法，或端到端SLAM算法的方案设计、工程开发与部署落地
深入掌握至少一种主流SLAM技术体系，包括但不限于Lidar SLAM（如FAST-LIO、Voxel-SLAM等）、Visual SLAM（如MSCKF、VINS、SVO等）或学习型SLAM（如Driod-SLAM、VVGT-Long等），具备从算法设计、原型开发到实际场景部署的全链路实践能力，能够应对复杂场景下的SLAM精度、实时性和长序列推理等核心技术挑战
深耕计算机视觉与计算机图形学交叉领域，精通相关核心算法，包括但不限于几何基础模型（深度估计、法向量重建、材质估计、SDF、Mesh等）、2D/3D感知模型（图像去噪、语义分割、超分辨率重建等），具备扎实的理论基础与工程实现能力，能够结合业务需求设计高效、可靠的算法解决方案
工作职责
深度参与底层算法设计、基础视觉模型研发与技术创新工作，主导/全程参与需求定义、模型架构设计、算法工程实现、落地验证与迭代优化全链路研究工作
立足前沿技术解决高保真、快速重建的技术瓶颈与业务核心痛点，持续驱动产品技术体验与业务效能升级，与团队共同攻坚前沿技术难题，打造业内领先、具备学术竞争力与工程落地能力的技术解决方案
优先资格
加分项：
在ACL、ICLR、NeurIPS、CVPR等学术会议发表过高影响力研究者优先
在ACM、Kaggle等编程或AI竞赛中获奖者优先
主导或参与过具有广泛影响力的AI开源或闭源项目者优先
AI 洞察
优缺点分析
优点
- 技术前沿性极高，直接参与自动驾驶/机器人核心感知技术的攻坚，学术与工程结合紧密
- 公司为已上市企业，平台稳定，能提供高性能算力等充足研发资源，支持创新探索
- 扁平化管理，团队技术氛围浓厚，成员技术功底扎实，有利于深度技术交流与成长
- 三维重建是连接虚拟与现实的关键技术，行业应用场景广阔，职业天花板高
- 作为算法工程师，需要同时具备扎实的数学理论、算法设计能力和高效的工程实现能力，要求全面
- 适合拥有扎实计算机视觉理论基础，对3D重建、SLAM等方向有浓厚兴趣和深入研究，具备较强算法设计与工程落地能力，追求技术深度与创新的算法工程师
缺点 / 挑战
- 技术深度要求极高，需要跟进并融合3DGS、神经渲染等快速迭代的前沿技术，学习压力大
- 解决的是行业内的高难度技术瓶颈问题，项目挑战大，对独立解决问题的能力要求高
角色解读
- 技术专家路线：深耕三维视觉与感知领域，成为该细分方向的算法权威，推动技术代际演进
- 技术管理路线：凭借深厚技术积累，带领算法团队进行技术规划与攻关，影响产品技术方向
- 行业影响路线：通过高质量论文、开源项目或竞赛成果，建立个人在CV/图形学领域的行业影响力
- 负责世界模型三维重建核心算法的研发与突破，解决高保真、快速重建的技术难题
- 主导算法从需求定义、模型设计到工程实现、落地验证的全生命周期
- 将前沿学术成果（如3DGS、新SfM方法）转化为产品可用的技术能力，驱动产品性能提升
- 与团队协作，攻坚复杂场景下的视觉感知与几何重建挑战
- 精通3D Gaussian Splatting（3DGS）或运动恢复结构（SfM）或SLAM中某一领域的核心算法与工程实践
- 具备扎实的计算机视觉与计算机图形学理论基础，熟悉深度估计、网格重建、点云处理等技术
- 拥有将算法从学术研究转化为实际产品落地的完整项目经验与工程能力
- 能够独立进行前沿技术调研、模型设计、原型开发和性能调优
申请策略
- 研究禾赛在自动驾驶、激光雷达感知、高精地图等领域的技术方向与产品，理解该岗位如何支撑公司核心业务
- 准备能体现你解决复杂技术问题能力的案例，面试中可能会深入探讨算法细节和工程取舍
- 详细描述在3DGS、SfM、SLAM或相关交叉领域的具体项目经历、技术难点及个人贡献
- 突出算法从研究到落地的完整过程，包括模型设计、性能优化、结果对比等量化指标
- 列出相关领域的高水平论文发表（如CVPR, ECCV, ICCV, NeurIPS）、竞赛获奖或有影响力的开源项目
- 强调使用过的相关技术栈和工具（如PyTorch, CUDA, Colmap, Open3D, ROS等）
- 系统复习与深化三维视觉核心理论：多视图几何、点云处理、隐式/显式表面表示、神经渲染等
- 跟踪并复现3DGS、DUST3R等最新顶会论文的算法，保持技术敏感度，并尝试在开源数据集或私有数据上进行优化实践
面试指南
- 对于算法原理类问题：采用“核心思想 → 关键步骤 → 技术优势/局限 → 个人理解与改进思路”的结构进行阐述
- 对于项目经验类问题：遵循“项目背景 → 个人角色 → 技术方案与难点 → 解决过程与结果 → 复盘与收获”的叙事逻辑
- 对于开放设计类问题：展现系统性思维，从问题分析、技术选型、模块设计、性能考量等多方面展开论述
- 请详细讲解3D Gaussian Splatting的核心原理、优势以及当前的主要技术瓶颈
- 在你过去的项目中，是如何将一个先进的视觉算法（如某个重建网络）工程化并部署到实际产品中的？遇到了哪些挑战？
- 针对自动驾驶场景的快速高精三维重建，你认为现有的SfM/SLAM技术有哪些局限性？可以如何改进？
- 如果给你一个全新的、噪声较大的LiDAR点云序列，你会设计怎样的端到端处理流程来实现鲁棒的位姿估计与地图构建？
- 你对计算机视觉与图形学在三维重建领域的未来发展趋势有何看法？
职位点评
薪资福利70
成长发展90
工作生活60
使命价值75
薪资福利
70中等
作为已上市公司的核心算法岗位，薪资在市场中应具有竞争力，但JD未明确福利细节。
薪资信号市场水准 (2.5–4万/月)
成长发展
90较高
该职位是前沿算法研发岗，技术栈非常先进，且公司提供完善的培训、会议支持和清晰的晋升通道，对技术成长驱动力极强。
技术前沿前沿/新兴技术
技术栈3D Gaussian Splatting、SfM、SLAM、深度估计、神经渲染、NeRF
成长机会常态化技术培训、内部技术研讨交流、支持参与国内外行业学术会议及技术交流活动、清晰、规范化的职级晋升通道
业务类型profit_center
工作生活
60中等
JD未提及工作模式、通勤等WLB相关信息，但作为前沿算法研发岗位，通常需要高度专注与投入。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
75中等
三维重建是自动驾驶、机器人、元宇宙等领域的核心基础技术，行业增长潜力大，技术革新快，能带来较高的成就感。
行业发展高速增长赛道
社会影响中性/一般
创新程度开拓性创新（行业首创）
Watch Jobs