【智新】ISP算法工程师

优缺点分析

角色解读

• 技术纵深发展：成为ISP或计算摄影领域的资深算法专家，主导核心算法研发
• 架构师方向：负责整体ISP Pipeline架构设计，推动算法与硬件协同优化
• 管理路径：晋升为技术主管或团队经理，带领算法小组完成项目交付
• 设计和优化ISP Pipeline中的关键算法，如HDR、多帧降噪、自动白平衡等，提升图像质量
• 利用深度学习模型（如CNN/Transformer）替代传统图像处理模块，实现端到端效果优化
• 构建并管理图像数据集，对传感器噪声等物理模型进行数学建模
• 将算法移植到主流芯片平台（如高通、联发科、海思）并完成高性能部署
• 扎实的图像处理基础：熟悉降噪、HDR、去雾、锐化等经典算法
• 深度学习能力：掌握至少一种框架（PyTorch/TensorFlow），有模型压缩和量化经验
• 编程实现：精通C/C++和Python，有嵌入式或移动端开发经验更佳
• 芯片平台知识：了解异构计算（GPU/DSP/NPU）及常见ISP Pipeline硬件架构

申请策略

• 在简历或作品集里附上效果对比图，直观展示算法改善
• 关注公司招聘公众号或内推渠道，了解团队具体产品方向，面试时针对性讨论
• 突出ISP相关项目经验：如降噪、HDR、AWB等算法落地成果，最好有产品化案例
• 强调深度学习在图像上的应用：如去噪、超分、RAW域增强等，附上量化指标（PSNR/SSIM）
• 展示平台部署经验：如在高通SNPE、MTK NeuroPilot或华为HiAI上的优化效果
• 列出掌握的编程语言、框架和工具链，尤其是C/C++性能优化经历
• 补强经典ISP Pipeline知识：学习3A算法（AE/AWB/AF）原理及实现
• 练习端到端模型部署：尝试用ONNX或TensorRT将模型转为可执行推理

面试指南

• 从原理、实现、效果、性能四个维度展开，先简述经典方法，再引入深度学习改进
• 对比多种方案时，使用表格或优缺点列表结构，突出权衡关系
• 在回答部署问题时，可分步说明：模型选型→剪枝/量化→算子优化→平台适配
• 请解释ISP Pipeline中HDR合成的常见方法及其优缺点
• 如何用深度学习做图像去噪？与传统BM3D相比有哪些优劣？
• 你如何评估一个降噪算法的效果？除了PSNR/SSIM还看什么？
• 在移动端部署深度学习模型时，你会如何压缩和量化模型？
• 如果输入图像过暗或过曝，3A算法如何调整参数？请简述自动曝光逻辑