| --- |
| license: apache-2.0 |
| tags: |
| - fashion-ai |
| - computer-vision |
| - generative-ai |
| size_categories: |
| - 1K<n<10K |
| viewer: false |
| --- |
| <img src="https://huggingface.co/datasets/BruceFeng98/AiDLab/resolve/main/AiDLab.png" width="1400" /></img> |
|
|
| # Recruitment: Research Assistant (RA) @ AiDLab, Hong Kong 香港AiDLab 招聘研究助理 |
| **Contact**: `fangjianliao@aidlab.hk` |
|
|
| --- |
|
|
|
|
|
|
| ## 人工智能设计研究所 (AiDLab) |
| - **负责人**: AiDLab 总裁黄伟强教授 (Prof. Wai Keung Wong)，香港理工大学郑翼雄时装教授 |
| - **地点**: 香港科学园 (Hong Kong Science Park) |
|
|
| --- |
|
|
| ## 📋 工作内容与要求 |
|
|
| - 开展计算机视觉 (CV) 前沿算法研究及落地场景探索 |
| - 调研特定场景的算法落地可行性，负责算法的深度研究与优化 |
| - 推动科研成果在时尚设计领域的实际应用 |
|
|
| 1. **学历背景**: 图像处理、计算机视觉、自然语言处理等相关方向，本科及以上学历 |
| 2. **技术实力**: |
| - 扎实的 Python / 代码基础，具备快速复现前沿论文算法的能力 |
| - 熟悉生成式算法 (Generative AI) 的优缺点，对生成式任务有浓厚兴趣 |
| 3. **软实力**: 对 Fashion（时尚）领域感兴趣，具备良好的审美或行业洞察力 |
|
|
| --- |
|
|
| ## 🌟 Why Join Us |
|
|
| - **地理位置优越**: 位于香港科学园，配套设施完善 |
| - **产研结合**: 实验室已有成熟的落地商用产品 |
| - **学术氛围**: 与理大及 AiDLab 的专家共同工作 |
|
|
| --- |
|
|
| ## 🎥 FashionShow实时视频生成课题（可运程） |
|
|
| 可选合作开展形式 |
| - （1）香港线下RA+可支持读博 |
| - （2）远程科研合作+实习津贴+可共一署名 |
|
|
| 核心工作内容 |
| - （1）视频数据处理体系和视频生成测评体系 |
| - （2）高效视频自回归生成模型 |
|
|
| <video src="https://huggingface.co/datasets/BruceFeng98/AiDLab/resolve/main/runwayshots.mp4" width="1024" controls autoplay loop/></video> |
| |
| --- |
|
|
|
|
| ## 🧠 技术命题与深度讨论 (Research Challenges) |
|
|
| 我们诚邀对以下 Fashion AI 前沿问题有独到见解的同学加入讨论，选择一两个问题，你可以先让AI思考，然后加入自己的见解，也可提出自己其他的问题思考： |
|
|
| ### 1. 伪高清视频的识别与视觉质量评估 |
| * **挑战**：许多历史影像虽经插值提升了分辨率（如 4K），但实际视觉质量（清晰度、纹理细节）依然很差。 |
| * **思考**：如何构建 **无参考视频质量评估 (No-Reference VQA)** 模型？ |
|
|
| ### 2. 视频中运动模糊 (Motion Blur) 的解决路径 |
| * **挑战**：T 台走秀中模特动作较快，采集到的数据常伴随严重的运动模糊。 |
| * **思考**：在生成式模型中，是应该在**预处理阶段**引入去模糊算法（Deblurring），还是在 **Diffusion Model 的训练阶段** 引入运动轨迹先验（Motion Prior）来增强对模糊帧的重建能力？ |
|
|
| ### 3. FashionShow 复杂镜头语言的受控生成 |
| * **挑战**：秀场包含推拉摇移、侧拍、俯拍等极其丰富的摄影机轨迹。 |
| * **思考**：如何解耦**人体运动**与**相机运动**？是否可以通过引入 Camera Injection（如 CameraCtrl）或参考位姿序列（Pose Sequence）来实现对特定镜头语言的精准复现？ |
|
|
| ### 4. 复杂背景下的人像前后景分离 |
| * **挑战**：T 台周围常有密集的观众和相似的模特背景，传统分割易出现粘连。 |
| * **思考**：在 Fashion 场景下，如何结合 **Robust Video Matting (RVM)** 与最新的 **Segment Anything (SAM 2)** 提升时序分割的稳定性？针对前景后景都是人像的极端情况，如何利用深度估计（Depth Estimation）进行语义层级的遮挡关系建模？ |
|
|
| --- |
|
|
| ## 📩 投递通道 |
|
|
| **投递邮箱**：[fangjianliao@aidlab.hk](mailto:fangjianliao@aidlab.hk) |
|
|
| --- |
|
|
|
|
|
|
|
|
| `#ComputerVision` `#AIGC` `#FashionAI` `#HongKongJobs` `#AiDLab` |
