Werkstudent (all genders) – Robuste Feed-Forward-3D-Rekonstruktion für dynamische Szenen

Xitaso · Augsburgjunior

En corto

▸Desarrollas modelos de reconstrucción 3D feed-forward para escenas dinámicas usando imágenes o videos.
▸Te enfocas en mejorar la robustez ante condiciones reales difíciles: lluvia, niebla, luz variable, objetos móviles y occlusiones.
▸Tu trabajo ayuda a crear modelos geométricos universales para tareas avanzadas como predicción semántica de ocupación 3D/4D.

Du musst in der Lage sein, deine Rolle auf Englisch (mind. C1-Niveau) auszuüben.

En ~1 minuto te damos: quién te entrevista, las preguntas probables con respuestas desde tu CV, y tu CV adaptado a esta vacante. Gratis, sin tarjeta.

¿Qué piden?

✓Estudios en Informática, IA, Robótica, Electrotecnia o campo afín.
✓Excelentes conocimientos en Python y experiencia práctica con PyTorch.
✓Entendimiento sólido de visión por computadora, aprendizaje profundo o visión multivista.
✓Experiencia con técnicas como estimación de profundidad, flujo óptico, nubes de puntos o NeRF.
✓Capacidad para trabajar en inglés (nivel C1 mínimo).
✓Interés en 3D reconstruction, geometría 3D y modelos de feed-forward.

¿No cumplís todo? Es lo normal — tu dossier gratis te dice qué gaps tenés y cómo cubrirlos en la entrevista.

PythonPyTorchComputer VisionDeep Learning3D GeometryMulti-View VisionDepth EstimationOptical FlowPoint CloudsCamera Pose Estimation

¿A quién escribirle en Xitaso?

Tu dossier gratis identifica a las personas que te entrevistarían — con su background, qué valoran y cómo escribirles para destacar antes de aplicar.

Kurzbeschreibung Feed-Forward-Modelle zur 3D-Rekonstruktion können Szenengeometrie direkt aus Bildern oder Videos vorhersagen, ohne eine aufwendige szenenspezifische Optimierung zu benötigen. Durch die Kombination von großskaligem Pre-Training, Multi-View-Reasoning und starken geometrischen Priors stellen sie eine effiziente Alternative zu klassischen Rekonstruktionsverfahren wie Structure-from-Motion, NeRF und optimierungsbasiertem 3D Gaussian Splatting dar. Trotz aktueller Fortschritte reagieren bestehende Modelle weiterhin empfindlich auf anspruchsvolle reale Bedingungen. Verdeckungen, bewegte Objekte, wechselnde Beleuchtung, Nachtaufnahmen, Reflexionen, Regen, Nebel und Schnee können zu unvollständiger Geometrie, unzuverlässigen Korrespondenzen und zeitlich inkonsistenten Vorhersagen führen. Eine höhere Robustheit unter solchen Bedingungen ist daher insbesondere für autonomes Fahren und robotische Wahrnehmung von großer Bedeutung. Als Werkstudent*in unterstützt du die Entwicklung robuster Feed-Forward-Rekonstruktionsmodelle für dynamische Szenen. Du untersuchst Methoden zur Behandlung von Verdeckungen, Beleuchtungsänderungen und widrigen Wetterbedingungen. Darüber hinaus erforschst du, wie große Rekonstruktionsmodelle als universelle geometrische Backbones für nachgelagerte Aufgaben des 3D-Szenenverständnisses eingesetzt werden können, insbesondere für Semantic Occupancy Prediction und 4D Occupancy Forecasting. Diese Aufgaben interessieren Dich Entwicklung und Evaluation von Feed-Forward-Modellen zur Rekonstruktion dynamischer 3D-Szenen aus monokularen oder Multi-View-Bildsequenzen. Untersuchung der Rekonstruktionsrobustheit bei partiellen und langfristigen Verdeckungen, bewegten Objekten und unvollständigen Beobachtungen. Entwicklung von Methoden zur Verbesserung der geometrischen Konsistenz bei wechselnder Beleuchtung, schlechten Lichtverhältnissen, Schatten und Reflexionen. Evaluation und Verbesserung der Modellleistung unter widrigen Wetterbedingungen wie Regen, Nebel, Schnee und eingeschränkter Sicht. Vergleich der entwickelten Methoden mit relevanten Baselines sowie Dokumentation technischer und experimenteller Ergebnisse. Das zeichnet Dich aus Du absolvierst gegenwärtig einen Studiengang im Bereich Informatik, Künstliche Intelligenz, Robotik, Elektrotechnik, Data Science oder einer vergleichbaren Fachrichtung. Du hast sehr gute Programmierkenntnisse in Python sowie praktische Erfahrung mit PyTorch . Du besitzt ein gutes Verständnis von Computer Vision, Deep Learning, 3D-Geometrie oder Multi-View Vision . Erfahrung mit Tiefenschätzung, Optical Flow, Punktwolken, Kameraposenschätzung, NeRF, 3D Gaussian Splatting oder 3D-Rekonstruktion ist von großem Vorteil. Deine Sprachkenntnisse machen es Dir möglich, deine Rolle auf Englisch (mind. C1-Niveau) auszuüben. Deutschkenntnisse sind wünschenswert, aber nicht zwingend erforderlich. Gehaltsinformationen Innerhalb unseres einheitlichen und transparenten Gehaltsframeworks liegt die Vergütung für diese Position zwischen 15,50 € und 19,50 € pro Stunde und orientiert sich an verschiedenen Faktoren, wie Qualifikation und Erfahrung.

No apliques sin prepararte

Investigamos quién te entrevista, adaptamos tu CV y te ensayamos en vivo — gratis la primera.