】 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（Mesh Processing）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、Instant Meshes、QuadriFlow 等）及 UV 展开算法（如 LSCM、ABF、ARAP 等）。 （3）理解 Mesh、Point Cloud、SDF、NeRF、3D Gaussian Splatting 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、AI 3D 生成方向经验： （1）熟悉当前主流 3D AIGC 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 Neural Retopology、3D Mesh Segmentation、Mesh Repair 等）或有 3D 数据前沿论文复现经验者优先。 2.了解基于 NeRF 或 3D Gaussian Splatting 的三维重建网格提取（Mesh Extraction）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 3ds Max / 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。