【REDstar】端智能图像算法工程师

优缺点分析

角色解读

• 从算法工程师成长为技术专家，在计算机视觉领域深耕
• 有机会参与核心算法研发，晋升为技术负责人或团队管理者
• 积累端云协同和生成式AI的实战经验，向AI架构师或技术总监方向发展
• 设计并开发端云协同的图像/视频画质处理引擎，包括云端转码和端侧生成式增强的联合决策方案
• 研究和开发传统画质处理算法与生成式大模型驱动的画质增强算法，如超分辨率、扩散模型应用
• 深入探索生成式增强、模型蒸馏、推理加速和端侧部署优化等关键技术领域
• 扎实的计算机视觉和深度学习基础，熟悉图像/视频增强、超分辨率、扩散模型等方向
• 熟练掌握 PyTorch 等深度学习框架，具备模型加速部署或端侧算法部署经验
• 良好的算法工程能力，能够独立设计实验并优化模型性能
• 有相关领域论文发表经验者优先，体现研究能力

申请策略

• 了解小红书的业务和技术方向，在面试中展示对图像画质提升的兴趣
• 准备相关项目案例，展示解决问题的思路和成果
• 突出图像/视频增强、超分辨率、扩散模型等项目的实际经验，展示算法设计和工程实现能力
• 强调PyTorch使用经验和模型部署优化案例，体现工程落地能力
• 如有论文发表，务必列出，展示研究深度
• 体现团队协作和沟通能力，通过项目经历说明
• 深入学习扩散模型和生成式AI的最新进展，尝试复现相关论文
• 熟悉端侧推理框架（如TensorRT、MNN、NCNN）和模型压缩技术

面试指南

• 使用STAR法则：情境、任务、行动、结果，清晰描述项目经历
• 结合技术原理和实际案例，展示深度思考和解决问题的能力
• 关注最新研究，体现学习能力和前瞻性
• 请介绍你在图像增强或超分辨率方面的项目经验，具体使用了哪些方法？
• 如何设计一个端云协同的画质增强方案？
• 谈谈你对扩散模型在图像增强中应用的理解
• 如何优化模型在端侧的推理速度？
• 你如何看待生成式AI在视频处理中的未来趋势？