题记

面试经验第二贴，索尼旗下的PS英国组。

简单交代背景：
HR在LinkedIn上联系我，二月中旬聊了第一次。HR面试大多是了解目前的就业情况，确认毕业时间，然后简单了解个人能力和目标组的匹配情况。
因为走的社招渠道，毕业在夏季，HR暗示目前希望尽快入职（2-3个月内），做了个比较开放的结尾，说看情况到时候有没有招到合适的人，到时候再看看。

本想着机会不大了，三月下旬又收到了新的一轮面试安排。因为初步只约了30分钟，我以为又是类似HR面试，基本没有怎么准备。结果面试开始之后，两位面试官都是技术项，其中之一是未来的manager，另一位是西班牙裔的博士（十几年前毕业），吓得我直冒冷汗。

以下记录45分钟的面试问题。

自我介绍

自我介绍部分真是每个面试必做的事情，可以提前准备好，重点突出自己的经历和优势，以及适当引导面试官往比较匹配的项目经验上提问。

图形学+AI技术问题

项目细节

因为之前有做过几个相关的客户项目，这个部分主要是基于简历上写的两个项目进行介绍。
幸好没有细问，技术细节我有一些忘了，看来简历上的内容都得好好准备和复习一下。

3D资产有哪些表示形式

mesh surface+贴图，volume/场。

在结合神经网络的时候，3D数据都如何表示

• 如果使用图神经网络（GNN）来进行特定任务的处理，如3D资产分类，则可以将3D数据的顶点直接作为输入数据，初始化GNN。这个思路的问题是3D资产的顶点可能会很多，会对图神经网络造成很大的初始化和后续连阶层/卷积层的计算量。
• 使用radiance field，主要借鉴NeRF，所有的空间信息/特性，如不透明度、颜色，都保存在全连接层的参数中。
• 使用网格进行初始化，如nvdiffrec，但这类算法的局限在于不能表示非常复杂、非常高精度的模型，容易产生破面，且重建的模型拓扑受初始化网格的限制。

目前观察到比较成功的AI+graphics领域的成功落地案例

• DLSS：NVIDIA的超采样技术，结合超分辨率思路到提升图形渲染的画质。
• audio2face/audio2gesture：基于输入的音频生成渲染角色的面部动作。

目前在生成式AI（GenAI）上的一个趋势

毫无疑问在视觉的生成任务里，如2D图像生成、视频生成、以及3D生成，目前stable diffusion及其变形算法在主导。

另一方面，LLM（大语言模型）会更深入影响到各个任务，比如辅助2D图像生成，以及改进3D场景的构建。

目前想到未来可以落地的技术

这道题是开放问题，需要平时多观察和留意。
我回答的是3D资产生成，还有基于LLM自动化构建游戏场景。

C++基础

用8 bit的二进制表示-1的形式

这题非常自信地答错了。正确答案是全为1，即：1111 1111。
其中第一个1是符号位，后面是取逆的结果。
和同学讨论出一个很好理解的思路，即-1+1=0，因此8 bit的1表示为0000 0001，则：
0000 0000 - 0000 0001 = 1111 1111

所有的负数表示主要围绕计算来设计，这个思路可以拓展到任意其他的负数表示上。

后记

目前还在等待面试结果中，继续加油～

P.S. 转眼距离19年清明假期写下的那篇论文解读已经过去了5年。回看过去几年，真的发生了很多，有时候时间很长，回顾的时候才发现走过了这么多；有时候时间很短，专注于当下，认真做事，不想那么多，静待一切发生。

又是春天了，万物生长，慢慢前行吧。