群核科技｜3D几何算法实习生（AI 模型资产化方向）

岗位背景】Lux3D是群核自研的下一代AI3D创作大模型，当前已能够通过单图/文本快速生成高质量的网格与PBR材质。随着我们在H2加速推进外部标杆客户的落地，我们将面临AI生成内容的最后一公里难题：如何让AI生成的“三角面海”变成工业管线真正可编辑、可驱动的结构化资产？

我们需要你作为“核心生成算法”团队的3D处理专家，主导AI模型的智能化后处理算法研发，解决自动拓扑、UV展开及智能部件拆分等行业级难题，将AI生成物的生产力真正转化为游戏/电商级的商业价值。同时，你也将参与前沿3D生成模型的研究与优化，推动生成结果从源头具备更优的几何结构与资产化质量。【岗位职责】1.智能拓扑重构（Retopology）：研发针对AI生成高模（如MarchingCubes提取的非结构化网格/GaussMesh）的自动拓扑算法。实现合理的边流（EdgeFlow）生成、自适应网格减面，将数百万面的三角面片自动重构为符合游戏或动画标准的、规整的四边形/多边形低模（Low-PolyMesh）。2.自动化UV展开与打包优化：主导研发智能UV切割与展开算法。能够识别网格特征自动生成合理的UV接缝（Seams），最小化纹理拉伸与变形；开发高效的UV岛（Islands）排版算法，提升纹理图的利用率，支持大模型多视角材质融合管线的烘焙输出。3.模型语义分析与部件智能拆分（Segmentation）：利用几何特征分析与深度学习（如3D语义分割模型），将大模型生成的一体化、融合的“死块”模型自动拆分为具有逻辑语义的独立子部件（如将椅子拆分为靠背、坐垫、四条腿），以便于下游客户进行独立的材质替换、物理碰撞体赋予或骨骼绑定。4.3D生成模型研究与资产质量优化：跟踪并研究基于自回归（Autoregressive）、扩散模型（DiffusionModel）等技术路线的前沿3D生成算法，探索生成阶段对拓扑结构、几何质量与可编辑性的约束方法。结合公司业务场景，对Mesh、Gaussian、NeRF等表示形式的生成结果进行结构化优化与资产化增强。5.管线集成与落地打磨：将上述几何处理算法封装为高效的云端服务，与现有的Lux3D大模型生成与材质重绘链路无缝衔接。优化算法性能与鲁棒性，保障数十万量级并发调用的极高成功率。【任职要求】1.教育背景：计算机科学、应用数学、计算几何或计算机图形学相关专业本科及以上学历。2.计算几何底盘扎实：（1）精通网格处理（MeshProcessing）基础算法（如曲面参数化、拉普拉斯平滑、测地距离计算、主曲率分析、网格重建与简化等）。（2）熟悉经典的重拓扑思想（如QuadCover、InstantMeshes、QuadriFlow等）及UV展开算法（如LSCM、ABF、ARAP等）。（3）理解Mesh、PointCloud、SDF、NeRF、3DGaussianSplatting等主流三维表示及其相互转换流程。（4）熟悉AI生成网格常见问题（非流形结构、拓扑混乱、面数冗余、自交等）及相关优化方法。3.编程与工程能力：（1）熟练使用C++和Python进行算法原型的开发与工程化落地。（2）深度使用过至少一种业界主流的几何处理计算库（如libigl、CGAL、OpenMesh、Open3D、Trimesh）。（3）具备大规模几何处理任务的性能优化经验。4、AI3D生成方向经验：（1）熟悉当前主流3DAIGC技术路线，理解基于自回归或扩散模型的3D内容生成原理。（2）熟悉或深入研究过生成具有良好拓扑结构三角网格的相关工作，包括但不限于MeshAnything、FastMesh、DeepMesh、LATO等方向。（3）理解AI生成内容资产化过程中涉及的拓扑优化、结构重建、材质映射等关键问题。5.行业与管线认知：（1）深入了解游戏（Unreal/Unity）或影视（Maya/Blender）行业的3D资产标准（布线规范、多象限UDIM、PBR工作流）。（2）具备从生成模型到最终可交付资产的完整生产管线认知。加分项：1.深入研究或实现过基于深度学习的网格处理（如NeuralRetopology、3DMeshSegmentation、MeshRepair等）或有3D数据前沿论文复现经验者优先。2.了解基于NeRF或3DGaussianSplatting的三维重建网格提取（MeshExtraction）原理。3.参与过MeshAnything、FastMesh、DeepMesh、LATO、TRELLIS等前沿3D生成模型的研发、论文复现或工程落地。4.曾开发过3dsMax/Maya/Blender中的拓扑、UV或拆分相关的定制化插件。5.在图形学或计算机视觉顶会（SIGGRAPH、TOG、Eurographics、CVPR、ICCV、NeurIPS等）发表过相关研究成果者优先。