Ingeniero/a de Visión por Computadora y Aprendizaje Profundo 3D de nivel intermedio

Descripción

Resumen: Buscamos un/a ingeniero/a de visión por computadora con experiencia en aprendizaje profundo y procesamiento de datos 3D para desarrollar e implementar modelos destinados a la comprensión y reconstrucción del mundo visual. Aspectos destacados: 1. Trabajar en el desarrollo e implementación de modelos para la comprensión del mundo visual 2. Conectar la investigación con la producción en tuberías de reconstrucción 3D 3. Utilizar experiencia en aprendizaje profundo y procesamiento de datos 3D #### **Acerca del puesto:** Buscamos un/a **ingeniero/a de visión por computadora** con una sólida formación en **aprendizaje profundo y procesamiento de datos 3D**, para unirse a nuestro equipo. Trabajarás en el desarrollo e implementación de modelos que comprendan y reconstruyan el mundo visual, contribuyendo a tuberías de producción que tomen imágenes 2D multivista y generen reconstrucciones 3D de alta calidad (desde modelos estadísticos de forma hasta representaciones neuronales implícitas y síntesis de texturas), en la intersección entre la geometría clásica 3D y los enfoques neuronales modernos. Este puesto es ideal para alguien con **2–3 años de experiencia práctica**, que disfrute conectar la investigación con la producción, y que se sienta cómodo diseñando y entrenando tuberías, evaluando la calidad de las reconstrucciones e integrando su trabajo en un sistema complejo de múltiples etapas. **Responsabilidades** * Investigar, prototipar e integrar nuevos algoritmos de aprendizaje profundo procedentes de la literatura reciente (NeurIPS, CVPR, ICCV, ECCV) para mejorar la calidad de la reconstrucción 3D. * Desarrollar y mantener componentes de aprendizaje profundo para la reconstrucción multivista, la detección de puntos de referencia, la segmentación, la interpolación de regiones faltantes (inpainting) y el ajuste de formas coherente entre vistas. * Implementar y ajustar tuberías personalizadas de entrenamiento y funciones de pérdida, y evaluar su impacto en la calidad de mallas y texturas. * Diseñar y ejecutar experimentos cuantitativos de evaluación utilizando métricas como el error de reproyección, la distancia superficie-a-superficie y puntuaciones de calidad perceptual. * Exportar e implementar modelos entrenados para inferencia (TorchScript/JIT, Triton Inference Server, etc.). #### **Nuestro/a candidato/a ideal tendría:** * 2–3 años de experiencia práctica en investigación o ingeniería aplicada en visión por computadora y aprendizaje profundo. * Una comprensión sólida de modelos de cámara, geometría proyectiva y geometría multivista (geometría epipolar, calibración de cámaras, reproyección). * Experiencia entrenando y depurando redes neuronales de extremo a extremo, incluidas funciones de pérdida personalizadas, programación de tasas de aprendizaje y estabilidad del entrenamiento. * Capacidad para leer e implementar métodos descritos en artículos académicos. * Excelentes habilidades en Python; dominio de PyTorch (principalmente) y/o TensorFlow. * Capacidad para trabajar en bases de código de investigación con tuberías complejas de múltiples etapas. * Dominio fluido o avanzado del inglés (el español es un plus). #### **También valoramos muy positivamente:** * Experiencia con técnicas de visión 3D (p. ej., NeRF, renderizado diferenciable, SLAM). * Comprensión de representaciones implícitas de superficies: funciones de distancia con signo (SDF), redes de ocupación, NeRF/campos de radiancia neuronal. * Familiaridad con enfoques clásicos de ajuste 3D: modelos estadísticos de forma (basados en PCA), punto más cercano iterativo (ICP), deformación de mallas. * Conocimiento de conceptos de renderizado diferenciable: marcha de rayos (ray marching), trazado de esferas (sphere tracing), renderizado volumétrico. * Familiaridad con bibliotecas como Open3D, PyTorch3D o OpenCV. * Experiencia con herramientas de seguimiento de experimentos (MLflow, W\&B) y tuberías de entrenamiento reproducibles. * Experiencia implementando modelos en entornos de producción, utilizando Docker para garantizar reproducibilidad y escalabilidad. * Conocimiento de optimización GPU y ajuste de rendimiento. * Formación en geometría, álgebra lineal o gráficos.