اکنون در دسترس! پژوهش تلگرام ۲۰۲۵ — مهمترین بینشهای سال 
AI with Papers - Artificial Intelligence & Deep Learning
رفتن به کانال در Telegram
All the AI with papers. Every day fresh updates about #DeepLearning #MachineLearning #LLM & #ComputerVision Curated by Alessandro Ferrari | https://www.linkedin.com/in/visionarynet/ #AI #chatGPT
نمایش بیشتر📈 تحلیل کانال تلگرام AI with Papers - Artificial Intelligence & Deep Learning
کانال AI with Papers - Artificial Intelligence & Deep Learning (@ai_deeplearning) در بخش زبانی انگلیسی بازیگری فعال است. در حال حاضر جامعه شامل 17 142 مشترک است و جایگاه 7 723 را در دسته فناوری و برنامهها و رتبه 2 241 را در منطقه ماليزيا دارد.
📊 شاخصهای مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 17 142 مشترک جذب کرده است.
بر اساس آخرین دادهها در تاریخ 23 ژوئن, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -190 و در ۲۴ ساعت گذشته برابر -2 بوده و همچنان دسترسی گستردهای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 25.09% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 6.86% واکنش نسبت به کل مشترکان کسب میکند.
- دسترسی پستها: هر پست به طور میانگین 4 302 بازدید دریافت میکند. در اولین روز معمولاً 1 177 بازدید جمعآوری میشود.
- واکنشها و تعامل: مخاطبان بهطور فعال حمایت میکنند؛ میانگین واکنش به هر پست 26 است.
- علایق موضوعی: محتوا بر موضوعات کلیدی مانند framework, object, dataset, tba, depth تمرکز دارد.
📝 توضیح و سیاست محتوایی
نویسنده این فضا را محل بیان دیدگاههای شخصی توصیف میکند:
“All the AI with papers. Every day fresh updates about #DeepLearning #MachineLearning #LLM & #ComputerVision
Curated by Alessandro Ferrari | https://www.linkedin.com/in/visionarynet/
#AI #chatGPT”
به لطف بهروزرسانیهای پرتکرار (آخرین داده در تاریخ 24 ژوئن, 2026)، کانال همواره بهروز و دارای دسترسی بالاست. تحلیلها نشان میدهد مخاطبان بهطور فعال با محتوا تعامل دارند و آن را به نقطه اثرگذاری مهم در دسته فناوری و برنامهها تبدیل کردهاند.
17 142
مشترکین
-224 ساعت
-367 روز
-19030 روز
آرشیو پست ها
🦠 Instance-Level Semantics of Cells 🦠
👉TYC: novel dataset for understanding instance-level semantics & motions of cells in microstructures
😎Review https://t.ly/y-4VZ
😎Paper arxiv.org/pdf/2308.12116.pdf
😎Project christophreich1996.github.io/tyc_dataset/
😎Code github.com/ChristophReich1996/TYC-Dataset
😎Data tudatalib.ulb.tu-darmstadt.de/handle/tudatalib/3930
Hello everybody,
a lot of you asked me to open the comments to better enjoy the posts. I want to follow your suggestion, hope this new mood likes you.
🔥 NO SPAM
🔥 NO COMMERCIAL
🔥 NO UNRESPECTFUL MESSAGEs
🧡JUST AI & SCIENCE
⚠️ BAN AT THE FIRST VIOLATION ⚠️
🕹️ CoDeF: Video Content Deformation Fields 🕹️
👉Content deformation field is a new type of video representation for video-editing tasks
😎Review https://t.ly/PIVl-
😎Paper arxiv.org/pdf/2308.07926.pdf
😎Project https://qiuyu96.github.io/CoDeF
😎Code https://github.com/qiuyu96/CoDeF
⚡️Feature Matching at Light Speed⚡️
👉LightGlue is a lightweight feature matcher with high accuracy and blazing fast inference
😎Review https://t.ly/jkecX
😎Paper arxiv.org/pdf/2306.13643.pdf
😎Code github.com/cvg/LightGlue
🥎 SportsMOT + MixSort = Sports MOT 🥎
👉Nanjing just released a MOT dataset for sports scenes + the SOTA code/model for tracking (MixSort)
😎Review https://t.ly/NHUxL
😎Paper arxiv.org/pdf/2304.05170.pdf
😎Project deeperaction.github.io/datasets/sportsmot.html
😎Code github.com/MCG-NJU/MixSort
🛒 Digital Twins for AutoRetail Checkout 🛒
👉From #Nvidia a novel approach for using 3D assets for training 2D detection and tracking model in AutoRetail Checkout
😎Review https://t.ly/Ea7kt
😎Paper arxiv.org/pdf/2308.09708.pdf
😎Code github.com/yorkeyao/Automated-Retail-Checkout
🌈 Tracking by Persistent Dynamic View Synthesis 🌈
👉Novel simultaneous addressing of dynamic scene novel-view synthesis + 6-DOF tracking of all dense scene elements
😎Review https://t.ly/Bc535
😎Paper arxiv.org/pdf/2308.09713.pdf
😎Project dynamic3dgaussians.github.io
😎Code github.com/JonathonLuiten/Dynamic3DGaussians
🔥The code is out!🔥
😎 Code https://github.com/NVlabs/neuralangelo
🐘 Controllable Synthetic Data (extending Image-Net) 🐘
👉#META's PUG, a new generation of interactive environments for representation learning. Extending Image-Net!
😎Review https://t.ly/nCYs0
😎Paper arxiv.org/pdf/2308.03977.pdf
😎Project pug.metademolab.com
😎Code github.com/facebookresearch/PUG
👩🚀 HD Avatar via Text & Pose 👩🚀
👉 Generating expressive #3D avatars from nothing but text descriptions & pose guidance
😎Review https://t.ly/wrSMH
😎Paper arxiv.org/pdf/2308.03610.pdf
😎Project avatarverse3d.github.io
🎨 I-Paint: Interactive Neural Painting 🎨
👉 Novel AI-powered tool to help artists in completing their artworks
😎Review https://t.ly/ELUb0
😎Paper arxiv.org/pdf/2307.16441.pdf
😎Project helia95.github.io/inp-website
😎Supp helia95.github.io/inp-website/supp_mat.html
🪛 HANDAL: Real-World Manipulable Objects 🪛
👉 #Nvidia unveils HANDAL dataset: category-level object pose and affordance prediction
😎Review https://t.ly/MXZDI
😎Paper arxiv.org/pdf/2308.01477.pdf
😎Dataset https://wenbowen123.github.io/handaldataset/
🙏 A quick poll for helping me in improving the quality of the contents about #computervision. Please give me a feedback here: https://t.ly/qXb4C
Thanks :)
🎠 Neural Closed-Loop Simulator 🎠
👉A neural sensor simulator that takes a single recorded log captured by a sensor-equipped vehicle and converts it into a realistic closed-loop multi-sensor simulation
😎Review https://t.ly/EcRLc
😎Paper arxiv.org/pdf/2308.01898.pdf
😎Project https://waabi.ai/unisim/
📸 Computational Burst Photography in App 📸
👉#Google unveils a novel computational burst system to democratize the professional photography via smartphone
😎Review https://t.ly/5ibJX
😎Paper arxiv.org/pdf/2308.01379.pdf
😎Project https://motion-mode.github.io
👗 Multimodal Neural Designer 👗
👉 Multimodal #AI that can generate novel fashion images conditioned on text, keypoints, and sketches
😎Review https://t.ly/zVk70
😎Paper arxiv.org/pdf/2304.02051.pdf
😎Code github.com/aimagelab/multimodal-garment-designer
🥬 Consensus-Adaptive RANSAC 🥬
👉A novel RANSAC that learns to explore the parameter space via a novel attention layer
😎Review https://t.ly/eSLmD
😎Paper arxiv.org/pdf/2307.14030.pdf
😎Code github.com/cavalli1234/CA-RANSAC
🥬 Consensus-Adaptive RANSAC 🥬
👉A novel RANSAC that learns to explore the parameter space via a novel attention layer
🐧 Tracking Anything in High Quality 🐧
👉Video multi-object segmenter (VMOS) and a mask refiner (MR) to track anything
😎Review https://t.ly/hAvF2
😎Paper arxiv.org/pdf/2307.13974.pdf
😎Code github.com/jiawen-zhu/HQTrack
