跨模态数据驱动的动作生成研究

岗位职责
背景： 当前，视频生成模型的时序建模能力与海量动作数据的特征价值尚未充分挖掘，如何通过跨模态数据融合、分层生成模型设计、隐空间动作建模等技术路径，解决动作生成的自然度、一致性与物理合理性问题具备研究应用价值。本课题聚焦跨模态数据驱动的动作生成研究，依托视频生成模型与海量动作数据的深度融合，旨在构建高效、精准的动作生成体系，既满足游戏美术标准下的效果要求，也能适配引擎 / DCC 工具的工程化落地需求，为 PGC 工业化生产提质增效提供核心技术支撑，具备广阔的技术应用前景与产业价值。
目标： 1. 跨模态动作生成模型研发：协助团队设计并优化角色动作分层生成模型，深入研究基于隐空间的动作建模方法，探索 RGB 视频数据与动捕数据的跨模态特征融合技术，重点提升动作生成的自然度、时空一致性与风格适配性；​ 2. 动作生成效果量化与优化：建立基于游戏美术标准的量化评估体系，涵盖动作自然度、物理合理性、风格适配度等指标；搭建模型与引擎 / DCC 工具的对接测试环境，通过批量测试与迭代优化，提升算法在实际生产场景中的落地效果。

岗位要求
职位描述
1. 参与角色动作生成模型设计与优化，重点研发角色动作分层生成模型、研究基于隐空间的动作建模、跨模态动作特征融合（RGB视频数据+动捕数据），提升游戏动作自然度与一致性。
2. 技术落地与效果验证：参与动作算法的资源生产落地，搭建算法测试环境，调试模型与引擎/DCC的数据流交互，验证动作生成的物理合理性，基于游戏美术标准进行效果量化评估。
职位要求
1. 学历与专业：硕士及以上学历（在读），计算机、数字媒体技术等相关专业，具有角色动画生成、角色动作建模或生成式 AI 研究经验者优先。
2.技术能力： 2.1 熟悉深度学习框架，能独立完成动作生成模型构建与训练，有 Diffusion时间序列建模开发经验者优先； 2.2 了解角色动画数据交互逻辑，有骨骼动画数据（如BVH/FBX 格式）处理经验； 2.3 掌握角色动作建模基础，能处理角色动作序列的时空特征提取与优化。
3.科研与学习能力：具有良好的文献阅读归纳能力，能快速跟进游戏动画生成前沿动态（如风格化动作迁移、实时动作生成），发表过相关论文者优先。
4.综合素质：责任心强，具备团队协作意识，对游戏动画、角色交互场景有浓厚兴趣。
5.实习时间：每周出勤 4~5 天，连续实习 3~6 个月，能长期实习者优先。