岗位职责
- 生成式视频修复与增强,研发基于扩散模型(Diffusion)的底层视觉算法,面向视频超分辨率、去噪和真实退化修复等场景,开展模型架构设计、训练优化与大规模数据处理,提升修复效果和对原始内容的保真度;
- 高效图像与视频生成,研发基于扩散模型的高效生成框架,探索生成架构、采样策略与推理加速方法,在保障生成质量的同时提升推理效率,支持更高分辨率和更长时长的生成;
- 长视频生成一致性与记忆,研究长视频生成中的曝光偏差(Exposure Bias)及纹理误差逐步累积等问题,探索长程时序建模与记忆机制,使人物及 IP 角色在跨镜头、长时间间隔和再次出场时保持身份与外观一致;
- 音视频多模态内容理解,研发面向视频、音频及其联合输入的多模态理解模型,支持根据自然语言查询定位画面中的人物、物体或区域(Spatial Grounding,SG),定位相关事件在视频或音频中的时间区间(Temporal Grounding,TG),并基于音视频内容进行问答(QA)。
职位要求
- 具备扎实的计算机视觉与深度学习基础,熟悉 PyTorch,能够独立完成算法设计、模型训练与实验评估;
- 熟悉超分辨率、去噪等底层视觉算法,或具备扩散模型、图像视频生成、多模态理解中至少一个方向的研发经验;
- 有长视频生成、时序建模、记忆机制、音视频定位或多模态问答相关经验者优先;
- 在计算机视觉或人工智能领域的 CCF A 类会议或期刊发表过高质量论文,或在视觉与算法竞赛中取得突出成绩者优先;
- 对通用人工智能(AGI)有持续的研究兴趣,能主动跟踪前沿进展,并将研究想法转化为可验证的实验。