Research Scientist - 3D Diffusion

Standort: London; München

Anstellungsart: Vollzeit

Standorttyp: Vor Ort

Abteilung: Engineering

SpAItial ist Pionier der nächsten Generation von Weltmodellen und erweitert die Grenzen von generativer KI, Computer Vision und der Simulation der Realität. Wir gehen über 2D-Pixel hinaus, um Modelle zu entwickeln, die die Physik und Geometrie unserer Welt nativ verstehen. Unsere Mission ist es, zu redefinieren, wie Branchen, von Robotik und AR/VR bis hin zu Gaming und Kino, physisch fundierte 3D-Umgebungen generieren und interagieren.

Wir suchen mutige, innovative Personen, die von einer Leidenschaft für die Erweiterung der Grenzen der generativen 3D-KI angetrieben werden. Sie sollten in einer Umgebung gedeihen, in der Kreativität auf technische Herausforderungen trifft, und furchtlos die schwierigsten Probleme im 3D-Weltmodellierung angehen. Unser Team basiert auf einem Fundament von Engagement und einem gemeinsamen Bekenntnis zur Exzellenz, daher schätzen wir Menschen, die großen Stolz auf ihre Arbeit legen und die kollektiven Ziele des Teams über persönliche Ambitionen stellen.

Als Teil von SpAItial werden Sie an vorderster Front beim Aufbau von Weltmodellen stehen, die generative KI und die physische Welt verbinden. Wenn Sie bereit sind, einen Einfluss zu nehmen, das Unbekannte zu umarmen und mit einer talentierten Gruppe von Visionären zusammenzuarbeiten, möchten wir von Ihnen hören.

Wir suchen einen Forschungswissenschaftler, der sich auf 3D-Diffusion konzentriert. Sie werden die Forschung leiten, um diffusionsbasierte generative Modelle zu entwerfen, zu bauen, zu trainieren, zu evaluieren und zu optimieren, die qualitativ hochwertige 3D-Inhalte aus Bildern, Videos und anderen Eingaben erzeugen, mit einem Schwerpunkt auf weltweiten Szenen, die räumlich konsistent und physisch fundiert sind.

Verantwortlichkeiten:

• Entwicklung und Gestaltung von diffusionsbasierten Methoden zur 3D-Generierung aus Bildern, Videos und anderen Eingaben.
• Aufbau, Training, Optimierung und Evaluierung von 3D-Diffusionsmodellen, einschließlich Forschung zu Architekturen, Verlustfunktionen und Sampling-Strategien.
• Anwendung und Anpassung modernster Bild- und Video-Diffusionsrückgrate (z.B. Stable Diffusion, FLUX, WAN oder vergleichbare Systeme) für die 3D-Generierung.
• Implementierung und Experimentieren mit modernsten 3D-Darstellungen, einschließlich Punktwolken, Netzen und 3D-Gaussian Splatting.
• Entwicklung von Trainingspipelines und Verlustfunktionen, die die Geometriegenauigkeit, visuelle Treue und spatiotemporale Konsistenz verbessern.
• Zusammenarbeit mit Forschern zur Integration physikbewusster Priors und Weltmodellfähigkeiten in Diffusionssysteme.
• Analyse der Modellleistung, Debugging von Fehlerfällen und schnelles Iterieren zur Verbesserung von Qualität und Robustheit.

Wesentliche Qualifikationen:

• Doktortitel in Informatik, Computer Vision, Grafik, maschinellem Lernen oder einem verwandten Bereich.
• Hervorragende Publikationsbilanz in renommierten Konferenzen wie CVPR, ECCV/ICCV, NeurIPS und SIGGRAPH.
• Starke Grundlagen in Deep Learning und generativem Modellieren, insbesondere in Diffusionsmodellen und großen Transformermodellen.
• Praktische Erfahrung im Training von Diffusionsmodellen und der Arbeit mit modernsten Bild- und Videomodellstacks (z.B. Stable Diffusion, FLUX, WAN oder ähnliches).
• Solides Verständnis von 3D-Verarbeitungskonzepten wie Kamerageometrie, Tiefe, Rekonstruktion, Punktwolken, Netzen oder Gaussian Splats.
• Beherrschung von Python und Deep Learning-Frameworks wie PyTorch, mit Erfahrung im Training und der Optimierung von Modellen im großen Maßstab.
• Fähigkeit, Forschungsideen umzusetzen, rigorose Experimente durchzuführen und zuverlässigen ML-Code zu liefern.

Bei SpAItial setzen wir uns für die Schaffung eines vielfältigen und integrativen Arbeitsplatzes ein. Wir begrüßen Bewerbungen von Menschen aus allen Hintergründen, Erfahrungen und Perspektiven. Wir sind ein Arbeitgeber, der Chancengleichheit bietet, und stellen sicher, dass alle Kandidaten während des Rekrutierungsprozesses fair behandelt werden.