职位描述
1. 核心算法研发： 负责基于视觉的高质量三维重建算法研发，重点攻克基于 3D Gaussian Splatting (3DGS) 的场景/物体表示。
1. 语义化重建与编辑：结合 CLIP, SAM (Segment Anything Model) 等 2D 视觉大模型，研发 语义三维重建 算法，赋予 3D 场景/物体细粒度的语义标签（Open-Vocabulary 3D Scene Understanding）。
2. 负责 4DGS/Mesh 的语义编辑功能 开发，实现通过文本或语义掩码对 3D 场景进行物体移除、纹理风格迁移、几何形变（Deformation）及 Inpainting 等操作。
3. 生成式重建： 探索并落地 生成式三维重建 技术路径，结合 Diffusion Model 与 3D 表征，实现从稀疏视角或文本/图像到高保真 3D 资产的生成。
4. 世界模型构建： 参与构建 闭环世界模型，利用语义重建技术搭建具备物理属性和语义理解的仿真环境，支持自动驾驶或具身智能的训练。
5. 工程落地： 追踪学术界最新成果（如 LangSplat/LangSplatV2, GaussianEditor, Worldsplat 等），将算法转化为高性能的工程模块，优化显存与实时性。任职要求
1. 学历与基础： 计算机/数学相关专业博士学历，精通 Python/C++ 及 PyTorch，具备扎实的数学与图形学基础。
2. 视觉三维重建基础：深刻理解多视图几何（MVS, SfM, SLAM），精通 3D Gaussian Splatting 原理及代码实现，熟悉其致密化、剪枝及渲染管线。
3. 语义理解与编辑经验：具备 3D 语义理解相关经验，熟悉如 LangSplat,LangSplatV2 等将 2D 特征场（Feature Field）蒸馏到 3D 空间的相关算法。有 3D 编辑算法开发经验，熟悉 Mesh 处理算法（Laplacian Smoothing, Deformation）或 3DGS 的场景编辑技术（GaussianEditor 等）。熟悉 SAM, CLIP, DINO 等视觉基础模型在 3D 任务中的应用。
4. 生成式模型经验：有生成式重建经验（WorldSplat）。熟悉 Latent Diffusion Model 原理。
（加分项）：
1. 有 闭环世界模型 (Closed-loop World Model) 经验，理解如何利用语义信息构建可交互的仿真环境。有自动驾驶数据闭环开发经验者优先
2. 顶会论文： 在 CVPR/ICCV/SIGGRAPH 等发表过关于 3D Semantic Segmentation, 3D Editing, 或 Generative 3D 相关的论文。
3. 引擎交互： 熟悉 Isaac/Blender，有开发过基于语义交互的 3D 编辑工具或插件经验。高性能计算： 具备极强的 CUDA 算子手写与优化能力，能解决大规模语义特征场带来的显存压力。
