Инженер Компьютерного Зрения (Neural Rendering / NERF / Gaussian Splatting / 3D reconstruction)

Описание

Мы разрабатываем инновационный продукт, который преобразует видео с камер 360 / фото с камер DSLR / съемку с Lidar в реалистичную реконструкцию сцены, используя современные техники нейронного рендеринга, такие как Gaussian Splatting и NeRF. Мы ищем талантливых инженеров в нашу команду для работы над улучшением стабильности и производительности движка для 3D-реконструкции, а также над дальнейшим развитием самой модели рендеринга

Обязанности:

Реализация алгоритмов компьютерного зрения для 3D-реконструкции (Colmap, Glomap, ORB-Slam, DSO, Visual-Inertial odometry).

Разработка решений в области Neural Rendering (NERF, Gaussian Splatting) с использованием современных библиотек (PyTorch, JAX).

Исследование новых подходов для повышения качества реконструкции, движка для рендеринга.

Требования:

Уверенное знание C++ и Python (опыт работы обязателен).

Опыт разработки и прототипирования алгоритмов построения 3D реконструкции на Python.

Знание PyTorch и/или JAX для разработки моделей машинного обучения и обработки данных.

Знания на уровне первых курсов университета по линейной алгебре, методам оптимизации, анализа и геометрии.

Английский язык на уровне чтения и анализа технической документации

Будет плюсом:

• Базовые навыки работы с CUDA или другими инструментами GPU-вычислений.
• Опыт работы с библиотеками OpenCV, ceres, g2o, sophus, Eigen.
• Опыт разработки многопоточных приложений.
• Участие в проектах, связанных с Neural Rendering или 3D-реконструкцией.

Условия:

• Интереснейшие задачи на переднем крае науки

• Высокая зарплата по результатам собеседования

• Гибкий график работы

• Возможность удаленной работы

• Работа в небольшом коллективе единомышленников

• Уровень зарплаты регулярно индексируется

!NB На технической части интервью проверяем глубокое понимание математики и алгоритмов, используемых в 3D-реконструкции: кватернионы, матрицы трансформации, якобианы, принципы NeRF и Gaussian Splatting. Важно понимать почему и как это работает с точки зрения математики, а не только как использовать.