好这份卷子我印象挺深的。当时拿到的瞬间第一反应是“这公司招的是程序员还是数学家”但冷静下来做完再看回酷家乐做的业务——网页端实时渲染一套户型、几万件模型拖拽旋转不卡顿你就明白了图形学基础不扎实的人根本扛不住这种场景下的工程挑战。所以这篇不按“试卷答案”来写而是按“图形图像方向校招笔试到底在考什么、为什么这么考、该怎么准备”来拆解。无论你是正准备投递酷家乐还是目标锁定在云渲染、实时交互、BIM工具这条赛道的同学这份复盘都能给你一个比较完整的参照系。1. 图形图像岗位笔试卷表面考数学实际在筛工程落地能力很多同学拿到卷子习惯性归为“八股题”但仔细看会发现这份A卷的重心不在死记硬背的API调用而在从数学原理到工程实现的完整链路。1.1 卷面考点分布与岗位能力映射先从整体上拆一下卷面图形图像方向校招笔试通常覆盖这几块数学基础线性代数矩阵变换、特征值、微积分梯度、极值、几何相交检测、凸包。渲染算法光照模型、光栅化管线、阴影生成、抗锯齿。数据结构与算法空间加速结构BVH、八叉树、KD-Tree、网格简化、最近邻查找。图像处理滤波、边缘检测、特征点提取、图像金字塔。工程能力代码填空、复杂度优化、内存布局、多线程/并行化思路。而酷家乐这份卷子的特点在于每个考点几乎都能映射到他们实际业务场景。比如户型识别的边界提取对应图像处理里的边缘检测实时渲染大量模型时的性能问题对应空间加速结构和LOD策略拖拽家具时的碰撞与吸附对应几何求交和最近点计算。换句话说它不是单纯考你“会不会解这道题”而是看你在面对海量几何数据、实时交互、WebGL/GPU受限环境时有没有形成一套行之有效的解题思维。1.2 为什么酷家乐特别看重图形学底层能力这个点值得单独拉出来说。酷家乐的核心产品形态是“网页打开就能用的云设计工具”底层依赖一套自研的渲染引擎。这意味着第一渲染必须在浏览器端完成硬件资源有限。不像游戏公司可以假设玩家的显卡是GTX起步Web端用户的设备五花八门集成显卡、老旧驱动都是常客。图形学底层扎实的人才知道怎么用减少Draw Call、合并几何体、降低Overdraw这些手段去适配。第二实时性压倒一切。用户拖个沙发、旋转视角画面必须跟手。这就要求工程师在算法选型时天然倾向于“牺牲少量精度换取帧率稳定”的方案比如用近似阴影代替精确阴影、用简化碰撞体代替精确Mesh碰撞。第三大规模场景数据的管理能力。一套户型动辄上千模型一个方案可能几十万面片如何在内存和GPU显存之间做数据调度这是纯图形学知识之外的工程能力。笔试中那些看似“偏理论”的题目其实就是在预演这些真实场景。理解这一点你再看卷子思路会完全不一样。2. 核心知识模块拆解从必考数学到高频算法这一部分我按“必考基础—高频算法—图像处理”三条线逐个分析考点背后的逻辑和应对思路。2.1 线性代数与空间变换矩阵、四元数、坐标系图形学里最绕不开的就是线性代数卷子里一般占20%到30%的分数。常见题型给出一个旋转矩阵求旋转轴和旋转角度。已知模型矩阵、视图矩阵、投影矩阵求某个顶点在屏幕空间的坐标。四元数与欧拉角的转换以及为何要避免万向锁。解题思路旋转矩阵的特征值问题——任何一个三维旋转矩阵其特征值为1的特征向量就是旋转轴旋转角度通过矩阵的迹trace反求。这是考场上最快能拿分的点平时一定要熟练。一个容易忽略的工程细节矩阵乘以向量的顺序。OpenGL/WebGL是列主序数学上通常写作M * v但有些引擎封装成v * M搞反了就是镜像变换画面直接翻转。笔试里可能会出现“给出代码判断变换结果是否正确”的题本质上就是在看你对矩阵运算规则的理解是否透彻。坐标系转换是另一个必考点模型坐标系到世界坐标系到相机坐标系到裁剪坐标系这条流水线必须能默写出来。一个记忆技巧每一步思考“当前坐标系的原点在哪、坐标轴朝哪、单位是什么”转换矩阵就是“把一坐标系基向量在另一坐标系中的表达按列排列”。2.2 渲染管线与着色模型从Beer-Lambert到PBR渲染管线是图形学笔试的重头戏通常占25%以上。考点1光照模型。从Lambert漫反射、Phong/Blinn-Phong高光到Cook-Torrance BRDF。要注意的细节是Blinn-Phong用半程向量代替反射向量提高了计算效率而PBR里的微表面模型引入了法线分布函数NDF和几何遮蔽函数Smith表达式虽然复杂但笔试只要记住核心公式、明白每个参数含义即可。踩坑提醒写公式时一定要区分“入射光方向”和“入射光反方向”的约定。GLSL里lightDir通常是从片元指向光源但数学教材里习惯写成从光源到表面点。方向反了n·l就变成负值光照结果就完全错了。因为这个问题在实际项目中排查过不少时间。考点2光栅化。扫描线算法、重心坐标插值、深度缓冲Z-Buffer原理。笔试常见问法为什么需要透视修正插值不修正会出现什么问题答案要点屏幕空间线性插值不等于世界空间线性插值因为透视投影引入的非线性映射。图片纹理的uv坐标、顶点颜色都需要进行透视修正即先插值“除以w后的值”再乘以实际w还原。这是Graphics Pipeline中一个极其隐蔽但极易出问题的点。考点3阴影算法。阴影映射Shadow Mapping的实现步骤一般是先从光源视角渲染一遍深度图再从相机视角采样深度图对比深度值。笔试里会深挖的问题包括阴影边缘锯齿怎么解决PCF软阴影、VSM、阴影痤疮Shadow Acne如何规避Depth Bias、Slope-Scale Bias、相机远平面深度精度不足怎么办对数深度、反向Z。2.3 几何算法与空间加速结构BVH、八叉树、射线求交这部分是图形学里“像算法题”的考点也是区分度比较高的模块酷家乐这类场景型公司尤其爱考。BVH包围体层次结构是必考。题目会给出若干三角形要求构建BVH并写出射线与BVH遍历的伪代码。核心考点包围体的选择AABB轴对齐包围盒最常用OBB有向包围盒更紧但相交测试更贵。划分策略按最长轴中点划分、按表面积启发式SAH划分。遍历剪枝原理优先访问距射线近的子树相交失败则直接跳过整个子树。射线与三角形求交是另一个高频题。Möller-Trumbore算法要能默写核心是利用重心坐标将射线参数方程代入三角形内点方程转化为解3x3线性方程组再通过Cramer法则得到t、u、v三个参数。笔试常问的变体如何判断求交得到的点是否在三角形内u 0, v 0, u v 1以及浮点精度误差带来的边缘漏判怎么处理。KD-Tree与八叉树也要了解。KD-Tree在光子映射和体渲染中应用广泛八叉树更适合场景规模动态变化的场景比如分块加载。这些结构的共同点是通过空间划分把复杂求交问题的复杂度从O(N)降到O(logN)。2.4 图像处理与应用边缘检测、特征点、图像金字塔别以为图形学笔试只考3D2D图像处理也是重要组成部分尤其酷家乐这类产品户型图识别、样板间照片处理、材质贴图生成都离不开图像处理。边缘检测必考。Sobel算子、Canny边缘检测的完整流程要记住高斯模糊去噪 → 计算梯度幅值和方向 → 非极大值抑制 → 双阈值检测和滞后连接。笔试可能会给一张小像素矩阵让你手算某个像素点经过Sobel卷积后的梯度值这要求你对卷积核的计算过程非常熟练。特征点提取也常出现。SIFT、SURF、ORB的区别比较经典SIFT基于尺度空间极值旋转不变和尺度不变性强但计算量大ORB基于FAST角点加BRIEF描述子速度极快适合实时场景。在移动端和Web端选ORB几乎是标准答案。图像金字塔用于多尺度分析高斯金字塔和拉普拉斯金字塔都要理解。高频考点是高斯金字塔每层先做高斯模糊再降采样拉普拉斯金字塔则保留每一层与上一层上采样后的残差用于图像重建和多分辨率融合。这个点在户型图缩放显示、超大纹理加载Mipmap中都有直接应用。补充一个实际经验笔试里如果遇到让“设计一个算法实现xxx识别”这类开放题不要只写单种方法要体现“多尺度多特征降采样”的工程组合思维。这类题其实在考察你在真实业务中面对不确定性怎么拆解问题。3. 动手实操一套可以照着准备的图形学笔试复习方案纸上谈兵没意思我结合自己的备考和实际工作经历给出一套可落地、可复现的复习路径覆盖笔试和面试的硬性知识点。3.1 数学基础加固计划2周第一周线性代数专项主攻矩阵变换和空间几何旋转矩阵推导、平移/缩放/旋转复合变换、正交投影和透视投影矩阵推导。推荐练习手动推导左手系/右手系下旋转矩阵的差别以及LookAt矩阵的构造过程。每天做5道矩阵变换的计算题确保手算不出错。第二周微积分与数值计算专项主攻梯度下降、牛顿法、最小二乘、曲面积分。一个核心练习给定一个隐式曲面如球面求某点的法向量再求沿法向量方向与另一个平面求交。这个训练对理解实时渲染中的法线贴图、顶点位移都有帮助。3.2 渲染基础复现3周第一周写一个CPU光栅化渲染器用C或Python实现从三角形扫描线填充、深度缓冲、简单光照Phong到纹理映射的完整流程。关键点不要用任何图形API所有变换手动算。这会让你真正理解MVP矩阵到屏幕坐标的过程。第二周进阶到GPU管线用WebGL或Three.js实现一个场景包含多个模型、阴影、环境光、点光源。实践重点理解Draw Call的概念用InstancedMesh合并大量相同几何体对比性能差异。实测有效把1000个立方体分别绘制和用InstancedMesh合并绘制帧率差距可能超过3倍。做过这个实验笔试里遇到“如何优化大量物体渲染”的问题就很有底气。第三周阴影与抗锯齿实现阴影映射和PCF软阴影。对比SSAA、MSAA、FXAA、TAA的优缺点手动实现其中一个FXAA比较简单像素着色器里处理。准备一张表格写清楚每种抗锯齿算法的时间复杂度、画质收益、适用场景这比临考翻书强百倍。3.3 数据结构与算法训练2周第一周空间结构手写AABB类实现射线与AABB求交slab方法。注意tmin tmax的判断条件。实现BVH构建和遍历。写完后用随机三角形做碰撞测试对比暴力法和BVH的求交次数。第二周几何算法计算凸包Graham扫描或Andrew单调链。实现点到线段、线段到线段、三角形与三角形的最短距离计算。对浮点数比较做统一封装比如直接比较float a float b是大忌必须用fabs(a - b) eps。这是一道经常出现的坑题移动端GPU的浮点精度往往只有fp16深度冲突问题会比桌面端严重得多所以行业里很多场景会选择把场景原点偏移到相机附近来缓解深度精度问题。这种工程经验笔试一般不会直接考但面试聊项目时极加分。4. 这份笔试最有意思的部分场景题如何拆解除了纯理论题卷子里一定有1到2道大场景题类似于“请你设计一套方案实现xxx”。这类题没有标准答案但判卷人心里有明确的考察维度需求理解、技术选型、性能分析、异常处理。4.1 典型场景题海量模型实时预览这道题我印象很深几乎是酷家乐这类公司必出用户打开一个方案场景里有两万个模型如何保证30帧以上的流畅交互推荐答题框架按这个结构答必定加分场景数据组织先用空间结构如网格分块或者八叉树做可见性剔除只提交视野内的模型。GPU实例化把相同Mesh的模型合批使用Instanced Draw一次Draw Call渲染几百个实例。LOD多层次细节距离相机远的模型用低精度Mesh替代近处保持高精度。注意切换时的“跳跃感”可以用过渡渐隐或者morph解决。纹理优化用纹理图集打包所有小型贴图压缩格式如ASTC、ETC2注意移动端兼容性。内存调度设置视距超出范围的模型释放显存快速拉近时再异步加载。4.2 常见追问如果场景里有大量透明物体怎么办这里有个很多人不知道的坑透明物体无法简单用深度缓冲排序因为半透明需要从远到近绘制但物体间还会互相穿插。面试官期待的答案层次基础版按物体中心距离排序从远到近绘制。进阶版每个物体内部分层排序结合深度缓冲区细化处理。高级版使用OIT顺序无关透明如加权混合算法或者Per-Pixel Linked List。在Web端性能允许的话可以用前者。能答到第二层甚至第三层说明你真的看过实际渲染引擎的实现而不只是背了几道题。4.3 考察点背后的思维模式这类场景题背后考察的是“在约束条件下做工程取舍”的能力。图形学工程和学术研究的区别就在于不是追求绝对正确而是追求在资源受限时让用户感知到最优结果。所以答题时千万不要只写理论最优解要主动提“这是理想方案但实际中我会因为xxx限制调整为yyy”这反而会让面试官眼前一亮。5. 备考与解题的实战建议写到这里最后分享几个实操层面的建议这些都是我在准备图形学岗位和平时工作中沉淀下来的。5.1 时间分配策略笔试时间一般90到120分钟容易在前两道大题上死磕。建议按分数占比分配时间数学基础题20分钟这类题公式明确会就是会不会就是不会不要恋战。渲染算法题30分钟分值最高优先保证。场景设计题25分钟不需要写代码把框架和取舍讲清楚即可拿到大半分数。填空题和代码补全15分钟留到最后因为会就是一秒的事不会磨也没用。5.2 最容易丢分的三个细节第一粗心写错矩阵下标。数学题里矩阵的每一项下标从0还是从1开始很容易令人混淆。建议在草稿纸上先把矩阵完整写出来再逐项带入。第二忘记考虑“边界条件”。射线与三角形求交时如果射线方向向量某个分量为0会导致除法分母为0。这类边界条件要提前处理。第三伪代码的语法太随便。有些同学写伪代码全程中文夹杂变量名没有定义看起来缺少严谨性。建议用接近Python的写法变量名、函数签名提前给好加分且更容易让改卷人理解。5.3 后续还可以怎么深挖通过这份笔试只是第一步图形图像方向的学习路径还很远。我个人建议笔试结束后可以优先补这几个方向其一WebGPU对Web渲染的冲击这会是下一代云设计工具的重要底座其二几何处理算法如网格细分、参数化、简化未来AIGC生成3D模型后的后处理管线会大量用到其三GPU并行编程了解Compute Shader能解决哪些渲染之外的通用计算问题这在物理模拟和AI推理里都有用。卷子本身只是一面镜子照出的是知识体系的薄弱环节。把这些薄弱点逐个补齐再回头看酷家乐这类公司的笔试和面试题你会发现核心其实很固定扎实的数学功底、对渲染管线的本能理解还有面对资源受限场景时那种从容做取舍的工程直觉。
