【博士生】算法研发研究员（图像处理）（北京）(J54414)

优缺点分析

角色解读

• 技术专家路线：深耕显示AI算法领域，成为图像处理或算法优化方面的资深专家，主导技术方向
• 研发管理路线：在积累技术经验后，可带领小型研发团队，负责更复杂的算法模块或产品线
• 跨领域发展：基于显示技术的理解，可向芯片算法、计算摄影、智能终端算法等更广泛的视觉计算领域拓展
• 研究和开发用于提升电视、显示器等屏幕画质的AI算法，比如让画面更清晰、色彩更鲜艳、噪点更少
• 针对显示屏幕特性，设计和优化算法，使其在保证画质的同时消耗更少电量
• 参与解决显示面板固有缺陷（如亮度不均Mura）的算法研究，并将算法部署到实际产品中进行调试
• 持续追踪AI和图像处理领域的最新论文与技术，探索其在显示产品上的应用潜力
• 需要扎实的计算机视觉和图像处理理论基础，熟悉深度学习框架（如PyTorch/TensorFlow）
• 在图像超分辨率、图像生成（如GAN）、图像质量评价或模型压缩部署等至少一个方向有实际项目或研究经验
• 具备较强的编程实现能力，熟练使用Python和C++，并注重代码质量与规范
• 拥有良好的英文文献阅读能力和自主钻研精神，能快速理解和复现前沿算法

申请策略

• 研究京东方近年来在显示AI、画质技术方面的公开论文、专利和新闻，了解其技术侧重点
• 在面试中，主动将你的研究经验与JD中提到的具体方向（如画质补偿、低功耗算法）相结合来阐述
• 详细阐述与图像处理、计算机视觉相关的博士课题或项目，突出算法原理、创新点和最终效果（如PSNR/SSIM指标提升）
• 如有相关的开源项目、论文发表（尤其是顶会）、竞赛成绩或专利，务必在简历醒目位置列出
• 清晰展示在Python/C++上的工程实现能力，例如代码仓库、对深度学习框架的熟练使用等
• 如有与显示技术、嵌入式部署或模型轻量化相关的任何经验，即使很小，也值得强调
• 补充了解一些显示技术的基础知识，如LCD、OLED、Mini LED的成像原理和常见画质问题
• 回顾并梳理在模型轻量化（如量化、剪枝）和端侧部署方面的知识与实践

面试指南

• 对于项目问题，采用STAR法则：情境、任务、行动、结果
• 重点讲清技术选型的思考和最终量化结果
• 对于技术原理问题，先讲清核心思想，再对比不同方法，最后结合自身经验说明优劣和适用场景
• 对于开放设计问题，从问题定义、数据考虑、模型选择、工程优化等多个维度展开，体现系统性思维
• 请详细介绍你博士期间做的一个最有代表性的图像处理或计算机视觉项目，你解决了什么问题，用了什么方法，最终效果如何？
• 如何理解并实现图像超分辨率算法？你用过哪些经典模型（如SRCNN, EDSR），它们的优缺点是什么？
• 在将深度学习模型部署到移动端或嵌入式设备时，可能会遇到哪些挑战？你会如何进行模型压缩或优化？
• 你对显示画质中的哪些指标（如对比度、色域、动态响应）有了解？你认为AI可以在哪些方面改善显示效果？