Уже доступно! Исследование Telegram 2025 — ключевые инсайты года 
AI with Papers - Artificial Intelligence & Deep Learning
Открыть в 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
Больше📈 Аналитический обзор Telegram-канала AI with Papers - Artificial Intelligence & Deep Learning
Канал AI with Papers - Artificial Intelligence & Deep Learning (@ai_deeplearning) языкового сегмента Английский является активным участником. Сейчас сообщество объединяет 17 142 подписчиков, занимая 7 723 место в категории Технологии и приложения и 2 241 место в регионе Малайзия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 17 142 подписчиков.
Согласно последним данным от 23 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -190, а за последние 24 часа — -2, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 25.09%. В первые 24 часа после публикации контент обычно набирает 6.86% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 4 302 просмотров. В течение первых суток публикация набирает 1 177 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 26.
- Тематические интересы: Контент сосредоточен на ключевых темах, таких как framework, object, dataset, tba, depth.
📝 Описание и контентная политика
Автор описывает ресурс как площадку для выражения субъективного мнения:
“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”
Благодаря высокой частоте обновлений (последние данные получены 24 июня, 2026) канал поддерживает актуальность и высокий уровень охвата публикаций. Аналитика показывает, что аудитория активно взаимодействует с контентом, что делает его важной точкой влияния в категории Технологии и приложения.
17 142
Подписчики
-224 часа
-367 дней
-19030 день
Архив постов
🦀 simPLE: learning to grasp only with CAD 🦀
👉simPLE learns to pick, regrasp & place objects precisely, given only the object CAD model and no prior experience
😎Review https://t.ly/ab5pA
😎Paper arxiv.org/pdf/2307.13133.pdf
😎Project mcube.mit.edu/research/simPLE.html
🥬 Generative AI’s Next Frontiers 🥬
👉Hair simulation, 2D->3D animation, and much more. ~20 papers from #NVIDIA accepted into #SIGGRAPH2023
😎 Review https://t.ly/wgGin
🛵ALPR via CTS-Matching 🛵
👉UIT unveils a neural approach (#YOLO5 + tracking + rotation) to improve the license plate recognition accuracy
😎Review https://t.ly/VP4BP
😎Paper arxiv.org/pdf/2307.11336.pdf
😎Code github.com/chequanghuy/Character-Time-series-Matching
🪛 CAD-based Object Segmentation 🪛
👉 A novel three-stage approach to segment unseen objects in RGB images using their CAD models
😎Review https://t.ly/RtHLN
😎Paper arxiv.org/pdf/2307.11067.pdf
😎Code https://github.com/nv-nguyen/cnos
🪤 PAPR: Proximity Attention Point Render 🪤
👉PAPR: fast point-based scene representation with differentiable renderer approach
😎Review https://t.ly/yoI0g
😎Paper arxiv.org/pdf/2307.11086.pdf
😎Project https://zvict.github.io/papr
🪤 PAPR: Proximity Attention Point Render 🪤
👉PAPR: fast point-based scene representation with differentiable renderer approach
💪 Muscles in Action with #AI 💪
👉Muscles in Action (MIA): learn to incorporate muscle activity into human motion representations
😎Review https://t.ly/hUKub
😎Paper arxiv.org/pdf/2212.02978.pdf
😎Project musclesinaction.cs.columbia.edu
👩🦰 Ultra-Realistic Neural Hair 👩🦰
👉A novel method to reconstruct the hair geometry at a strand level from monocular video or multi-view images
😎Review https://t.ly/6xZyp
😎Paper arxiv.org/pdf/2306.05872.pdf
😎Project samsunglabs.github.io/NeuralHaircut
😎Code github.com/SamsungLabs/NeuralHaircut
🪟 META's Ultra-Realistic Data for #AR🪟
👉Aria Digital Twin: egocentric dataset for object detection/tracking, reconstruction/understanding, S2R learning, human pose prediction and more
😎Review https://t.ly/MRPt1
😎Paper arxiv.org/pdf/2306.06362.pdf
😎Project www.projectaria.com/datasets/adt/
😎Code github.com/facebookresearch/projectaria_tools
🍉 AltFreezing: new SOTA in detecting fake-faces 🍉
👉#Microsoft unveils AltFreezing: spatial/temporal artifacts in one model for more general face forgery detection
😎Review https://t.ly/mkIKX
😎Paper https://t.ly/z4KnJ
😎Code github.com/ZhendongWang6/AltFreezing
🦙 Llama-2: the Open-Source "#chatgpt"🦙
👉GenAI, #Meta unveils Llama-2: a collection of LLMs ranging in scale 7-70B parameters. Challenging with #chatgpt, but open.
😎Review https://t.ly/bLJgP
😎Paper https://t.ly/AOXru
😎Project https://ai.meta.com/research/publications/llama-2-open-foundation-and-fine-tuned-chat-models/
☔ #SelfDriving? It's all about weather! ☔
👉Novel self-supervised MDE method to handle adverse weather in real-world autonomous driving
😎Review https://t.ly/tcLQW
😎Paper arxiv.org/pdf/2307.08357.pdf
😎Project kieran514.github.io/Robust-Depth-Project/
🐈 Gen-AI as representation learner 🐈
👉DreamTeacher: novel self-supervised feats. representation learning framework that utilizes gen-nets for pre-training downstream image backbones
😎Review https://t.ly/RL8iG
😎Paper arxiv.org/pdf/2307.07487.pdf
😎Project research.nvidia.com/labs/toronto-ai/DreamTeacher
🧯 Neural Focal Modulation for VAR 🧯
👉Video-FocalNet is a novel architecture for video recognition that models both local and global context
😎Review https://t.ly/rF_fk
😎Paper arxiv.org/pdf/2307.06947.pdf
😎Project talalwasim.github.io/Video-FocalNets
😎Code github.com/TalalWasim/Video-FocalNets
💡DATID-3D: Diffusive Text-to-3D Generation💡
👉 A novel domain adaptation method for 3D via text-to-image diffusion. 🤗-Demo available!
😎Review https://t.ly/ecBvM
😎Paper arxiv.org/pdf/2211.16374.pdf
😎Project gwang-kim.github.io/datid_3d/
😎Code github.com/gwang-kim/DATID-3D
🤗Demo huggingface.co/spaces/gwang-kim/DATID-3D
😎Colab colab.research.google.com/drive/1e9NSVB7x_hjz-nr4K0jO4rfTXILnNGtA?usp=sharing
🎪 Extreme Human Pose Estimation 🎪
👉RePoGen: novel synthetic data generator of extreme/realistic poses of humans
😎Review https://t.ly/ecBvM
😎Paper arxiv.org/pdf/2307.06737.pdf
😎Project mirapurkrabek.github.io/RePoGen-paper
😎Code github.com/MiraPurkrabek/RePoGen
🃏 Deepfake via casual self-scan 🃏
👉TAU presents a novel approach to reenact an ID using only a casual self-scan
😎Review https://t.ly/9T8Wi
😎Paper arxiv.org/pdf/2307.06307.pdf
😎Project arielazary.github.io/PGR
🔥o-TTT: Test-Time Training on fire 🔥
👉Extending the TTT to the streaming setting. Suitable for Panoptic, Instance & Colorization.
😎Review https://t.ly/eZYA
😎Paper arxiv.org/pdf/2307.05014.pdf
😎Project https://video-ttt.github.io/
😎Code github.com/renwang435/video-ttt-release
🍡 Text2Cinemagraphs: Cinemagraph from text 🍡
👉CMU (+ #Snap) unveils a fully automated method for creating cinemagraphs from text descriptions
😎Review https://t.ly/BwZs6
😎Paper arxiv.org/pdf/2307.03190.pdf
😎Project text2cinemagraph.github.io/website/
😎Code github.com/text2cinemagraph/text2cinemagraph
🛣️ STAR.: 3D-tracking w/ attention paradigm 🛣️
👉#Mercedes STAR: e2e 3D object tracking that follows the tracking-by-attention paradigm
😎Review https://t.ly/JoGj
😎Paper arxiv.org/pdf/2306.17602.pdf
😎Project simondoll.github.io/publications/star_track
