三维重建算法实习生

优缺点分析

角色解读

• 在 3DGS、神经渲染与具身智能仿真等前沿方向积累稀缺的研究与工程经验
• 成长为能打通“算法研究—工程落地—性能优化”全链路的 3D 视觉算法工程师
• 后续可向三维重建/CV 算法专家、感知与仿真方向的技术骨干发展
• 研发基于多视图几何（MVS）与深度估计的大规模场景几何重建算法，解决尺度漂移、遮挡恢复等难题
• 改进 3D/2D Gaussian Splatting 等神经渲染算法，优化显存管理、分块策略与长序列渲染一致性
• 设计并实现高性能、可扩展的重建算法流水线，负责核心算子（如 CUDA 核函数）的实现与优化
• 搭建端到端评测方案，用几何精度、法线质量、光影准确性等指标驱动算法迭代
• 扎实的多视图几何、SfM、SLAM、点云处理与非线性优化基础
• 精通 C++ 与 Python，熟悉 PyTorch/LibTorch，能独立复现前沿论文并工程化
• 有 3DGS、神经渲染或大规模重建研究经验，能处理弱纹理、复杂光照等困难场景
• 加分项：CUDA/TensorRT 并行算子开发能力，以及顶会论文或高质量开源项目

申请策略

• 关注公司在全景影像与具身智能方向的业务布局，理解重建算法如何服务于仿真训练
• 准备一个能讲清“问题—方案—指标提升”的完整项目案例，突出工程与研究的结合
• 突出多视图几何、SfM/SLAM、点云处理相关课程项目或科研经历，量化重建精度或效率成果
• 展示 3DGS、神经渲染相关的复现、改进或论文阅读总结，体现技术深度
• 强调 C++/Python 工程能力，尤其 CUDA/TensorRT 并行算子优化经验与 GitHub 开源项目
• 若有顶会论文、竞赛成绩或具身智能/自动驾驶实习经历，务必单独列出
• 系统复习多视图几何、非线性优化（如 Ceres/g2o）与 SLAM 基础，补足理论短板
• 动手复现经典 3DGS/NeRF 开源项目，练习显存优化与渲染一致性调试

面试指南

• 理论题：先讲清原理与公式脉络，再结合具体项目说明如何落地与调优
• 工程题：用“瓶颈—方案—量化收益”的结构，突出你定位问题与优化的思路
• 开放题：先给结论，再分点展开，结合岗位需求（具身仿真）体现你的业务理解
• 请介绍你对多视图几何（MVS）或 SfM 的理解，如何解决大规模场景的尺度漂移问题？
• 你如何理解 3D Gaussian Splatting 的原理？在大规模场景下显存与渲染一致性如何优化？
• 请描述一次你用 CUDA 或并行计算优化算子性能的经历
• 如何设计一套针对三维重建的端到端评测体系？你会用哪些指标？
• 你如何看待重建算法在具身智能仿真训练中的作用？