【快Star】生成式视频编码算法工程师
杭州·上海·深圳...
硕士及以上
自动化类·计算机类
使用简历深度优化功能，快速提升简历质量
职位介绍
职位描述:
1、持续跟进业内最前沿的深度学习视频编解码相关研究，深入掌握 NNVC、端到端神经编解码、基于生成的视频编码等任一方向；2、探索基于深度学习的视频编解码压缩性能上限，主导率失真优化、熵建模、运动补偿等核心模块的算法改进，持续提升神经codec的压缩性能与重建质量；3、熟悉模型训练、蒸馏、剪枝、量化等流程，基于实际业务场景对深度模型及工具链进行改进定制，推动神经视频编解码算法在生产链路中的落地；4、探索视频离散表征、视觉tokenizer等前沿方向，研究神经编码与下游视频理解、视频生成任务在表征层的协同空间（前瞻探索方向，非主线）。
任职要求:
1、硕士及以上学历，计算机视觉、人工智能、信号处理、信息论等相关方向；2、具备业内最前沿的深度学习视频/图像编解码相关研究或工程基础，包括但不限于：NNVC、端到端神经编解码、基于生成的视频编解码、可微矢量量化等方向；3、熟悉率失真优化、熵建模、运动估计与补偿等神经 codec 核心理论与技术框架，具备完整训练/评估神经 codec 的实战经验；4、熟练使用 Claude / Codex 等任一 AI coding 工具进行编码、系统搭建、开发工作；5、熟练使用 Python / C++ 等任一语言。加分项：1、在 CVPR / ICCV / ECCV / NeurIPS / TIP / TCSVT 等顶会顶刊有第一作者论文，或在视频/图像编码相关竞赛中获奖者优先；2、具备端上模型部署经验，熟悉模型轻量化（蒸馏 / 剪枝 / 量化）流程；3、了解视频编解码标准（H.264/265、VVC/H.266、VPX/AV1 或 AVS 系列）及算法框架细节；4、在视觉 tokenizer、视频离散表征学习、video VLM 等前沿方向有研究经历或开源贡献；5、有跨任务多目标联合训练（压缩 + 理解 / 压缩 + 生成）研究或实践经验。
1、持续跟进业内最前沿的深度学习视频编解码相关研究，深入掌握 NNVC、端到端神经编解码、基于生成的视频编码等任一方向；2、探索基于深度学习的视频编解码压缩性能上限，主导率失真优化、熵建模、运动补偿等核心模块的算法改进，持续提升神经codec的压缩性能与重建质量；3、熟悉模型训练、蒸馏、剪枝、量化等流程，基于实际业务场景对深度模型及工具链进行改进定制，推动神经视频编解码算法在生产链路中的落地；4、探索视频离散表征、视觉tokenizer等前沿方向，研究神经编码与下游视频理解、视频生成任务在表征层的协同空间（前瞻探索方向，非主线）。
任职要求:
1、硕士及以上学历，计算机视觉、人工智能、信号处理、信息论等相关方向；2、具备业内最前沿的深度学习视频/图像编解码相关研究或工程基础，包括但不限于：NNVC、端到端神经编解码、基于生成的视频编解码、可微矢量量化等方向；3、熟悉率失真优化、熵建模、运动估计与补偿等神经 codec 核心理论与技术框架，具备完整训练/评估神经 codec 的实战经验；4、熟练使用 Claude / Codex 等任一 AI coding 工具进行编码、系统搭建、开发工作；5、熟练使用 Python / C++ 等任一语言。加分项：1、在 CVPR / ICCV / ECCV / NeurIPS / TIP / TCSVT 等顶会顶刊有第一作者论文，或在视频/图像编码相关竞赛中获奖者优先；2、具备端上模型部署经验，熟悉模型轻量化（蒸馏 / 剪枝 / 量化）流程；3、了解视频编解码标准（H.264/265、VVC/H.266、VPX/AV1 或 AVS 系列）及算法框架细节；4、在视觉 tokenizer、视频离散表征学习、video VLM 等前沿方向有研究经历或开源贡献；5、有跨任务多目标联合训练（压缩 + 理解 / 压缩 + 生成）研究或实践经验。
