深度学习算法工程师（数据生成方向）-2027校招

优缺点分析

角色解读

• 从复现与调优走向独立负责某一生成方向（如3DGS数据合成、World Model），成为团队内的技术骨干
• 积累“算法+数据闭环+产品落地”的复合经验，可向资深算法工程师、算法负责人方向发展
• 研究成果有机会转化为顶会论文与专利，形成技术影响力
• 研发图像、视频与3D内容的生成算法，跟进并落地VAE/GAN、Diffusion、NeRF、3DGS等前沿方法
• 把生成能力接到具体业务场景，为智能感知系统批量产出可用于训练和评估的高质量数据
• 探索大规模图像数据自动生成，包括AIGC、3DGS、World Model等方向的技术验证与业务落地
• 扎实的三维视觉功底：多视角几何、三维重建、神经渲染是日常工作的基础
• 生成式模型的原理与实现能力，能独立复现并改进Diffusion、NeRF、3DGS等论文方案
• 熟练的工程能力，Python + PyTorch/TensorFlow，能把研究代码跑通、跑稳、跑上业务规模

申请策略

• 校招批次明确，建议关注公司校招时间节点并尽早投递，算法岗通常名额有限
• 提前了解影石创新的产品线（全景相机、运动相机、AI剪辑等），思考生成式数据与其感知能力的结合点
• 突出NeRF、3DGS、Diffusion、ControlNet相关的项目或论文，写清你在其中负责的具体模块与指标提升
• 量化数据合成或重建效果，如PSNR/SSIM提升、数据生产效率提升、训练集规模变化带来的下游收益
• 展示工程能力：大规模数据处理、多卡训练、模型部署等实际落地经验
• 列出CVPR/ICCV/ECCV等论文、竞赛名次、开源项目链接
• 系统补强多视角几何与SLAM/三维重建基础，这是面试高频考察点
• 动手复现1-2个3DGS或Diffusion相关开源工作，并能讲清关键设计与改进空间

面试指南

• 项目类问题用“背景—难点—我的方案—量化结果—反思改进”五段式回答，突出个人贡献而非团队成果
• 原理类问题先讲直觉与核心公式，再讲工程实现细节与常见坑，最后对比不同方法的取舍
• 开放设计类问题先明确目标与评估指标，再给出方案链路（数据—模型—验证），最后说明风险与备选方案
• 请介绍一个你做过的最有代表性的三维重建或生成式模型项目，你的贡献和最终效果如何？
• NeRF与3DGS在表示方式、渲染效率和质量上的差异是什么？各自适合什么场景？
• Diffusion模型的训练目标与采样过程是怎样的？如何提升生成质量与可控性？
• 如果要用生成模型为下游感知任务造数据，你会如何设计数据闭环并评估数据质量？
• 你如何跟进快速迭代的前沿方向，最近读过哪些印象深刻的论文？