AI with Papers - Artificial Intelligence & Deep Learning
Відкрити 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
Показати більше📈 Аналітичний огляд Telegram-каналу AI with Papers - Artificial Intelligence & Deep Learning
Канал AI with Papers - Artificial Intelligence & Deep Learning (@ai_deeplearning) у мовному сегменті Англійська є активним учасником. На даний момент спільнота об'єднує 17 259 підписників, посідаючи 7 497 місце в категорії Технології та додатки та 2 130 місце у регіоні Малайзія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 17 259 підписників.
За останніми даними від 21 жовтня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на 260, а за останні 24 години на 6, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 20.25%. Протягом перших 24 годин після публікації контент зазвичай збирає 7.12% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 3 496 переглядів. Протягом першої доби публікація в середньому набирає 1 229 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 25.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як framework, object, dataset, tba, depth.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“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”
Завдяки високій частоті оновлень (останні дані отримано 22 жовтня, 2026), канал підтримує актуальність та високий рівень охоплення публікацій. Аналітика показує, що аудиторія активно взаємодіє з контентом, що робить його важливою точкою впливу в категорії Технології та додатки.
17 259
Підписники
+624 години
+97 днів
+26030 днів
Архів дописів
🍿PanoSeg3R: SOTA 3D Segmentation🍿
👉PanoSeg3R is a novel feed-forward framework for 3D panoramic semantic segmentation. New SOTA. Code coming💙
👉Review https://lnkd.in/p/eKCKWv3g
👉Paper https://arxiv.org/pdf/2609.22687
👉Project https://harryyoon777.github.io/PanoSeg3R/#
👉Repo TBA
🔥Agentic Image-to-Scene🔥
👉HARMONY by UPenn is a hierarchical chain-of-thought framework that leverages both agentic reasoning and visual geometry foundation. Impressive 3D scenes. Repo TBA💙
👉Review https://lnkd.in/p/ep2hmRSp
👉Paper https://arxiv.org/pdf/2609.26793
👉Data https://huggingface.co/datasets/ShufanSun/harmony
👉Project https://cwchenwang.github.io/harmony/
👉Repo TBA
💦SOTA Splashing Liquids💦
👉SplashSplat reconstructs splashing liquids from real multi-view vide. Impose physical structure only where the observations can constrain it. Impressive results, SOTA. Code TBR under MIT💙
👉Review https://lnkd.in/p/euv4eBja
👉Paper https://arxiv.org/pdf/2609.20818
👉Project niko-creater.github.io/splashsplat-web/
👉Repo https://github.com/Niko-creater/Splashsplat
👋 EventEgoHands++ is out! 👋
👉EventEgoHands++ is a novel framework for event-based 3D hand mesh reconstruction from an egocentric viewpoint. 1M+ samples dataset! Code/Data released💙
👉Review https://lnkd.in/p/eTbPvXbW
👉Paper https://arxiv.org/pdf/2609.17189
👉Repo https://github.com/ryhara/EventEgoHandsV2
👉Project https://ryhara.github.io/EventEgoHandsV2/
🔥 RelateAnything is gold! 🔥
👉RelateAnything is a 53M-parameter relation model that takes an image and a set of regions from any source and returns scored relations over a predicate vocabulary supplied at inference as a list of strings. Impressive results. Repo under Apache 2.0💙
👉Review https://lnkd.in/p/etAcdFM3
👉Paper https://arxiv.org/pdf/2609.12552
👉Repo https://github.com/Maelic/RelateAnything
👉Project https://maelic.github.io/RelateAnythingProject/
🦺Efficient/Scalable Video Pretraining🦺
👉LeVJEPA1 (Yann Lecun) is the first video encoder trained under LeJEPA’s collapse-free objective, and evaluate it under frozen probing against video and image pretraining baselines retrained on identical data, in both epoch-matched and FLOP-matched regimes. Repo under MIT💙
👉Review https://lnkd.in/p/eJQAm3AN
👉Paper https://lnkd.in/eCzzTiNH
👉Project https://levjepa.github.io/
👉Repo https://lnkd.in/etiF5CDj
🔥🔥 Marigold V2 is out 🔥🔥
👉Marigold V2 is out: depth, (impressive) see-through depth, surface normals, albedo, and other dense modalities. SOTA results. Repo under Apache 2.0💙
#AI #deeplearning #AIwithPapers
👉Review https://lnkd.in/p/eKM44yDQ
👉Paper https://arxiv.org/pdf/2609.08084
👉Repo https://github.com/huawei-bayerlab/marigold-v2
👉Project https://huggingface.co/spaces/huawei-bayerlab/marigold-v2-web
🏀McByte++ tracking-by-detection🏀
👉McByte++ is the newer extension of McByte that advances training-free sports MOT toward long-term ID tracking, while simultaneously improving efficiency and runtime performance. Repo under Apache 2.0💙
👉Review https://lnkd.in/p/e4-diVJS
👉Paper https://lnkd.in/e_Vxky-b
👉Repo https://lnkd.in/e8SeCYmk
🔥 #AIwithPapers: we are 17,000+ 🔥
👉 Even though 100+ bots are trying to join the discussion chats every day, there are 17,000 of us! Almost all of us are still humans 🧟
😈 Invite -> https://t.me/AI_DeepLearning
👻Emerging Objs from Motion👻
👉Motion boundaries provide a strong signal for object-level grouping and can be used to derive pseudo-instance supervision. Suitable for: mono-depth, 3D object detection, 3D occupancy, and end-to-end planning. Repo under Apache 2.0💙
👉Review https://lnkd.in/p/eezZrSJE
👉Paper https://arxiv.org/pdf/2609.04348
👉Project https://tj12342.github.io/object-concepts-from-motion/
👉Repo https://github.com/TJ12342/object-concepts-from-motion/tree/main
+++ Mistral raises 3B € +++
👉Discussion: https://lnkd.in/p/eVpF--VW
🪣Weather-Conditioned Depth Anything🪣
👉Weather-Conditioned Depth Anything from Texas A&M is the new SOTA in weather-robust depth estimation. A curated mix of real and synthetic degradation datasets to extract content-independent, degradation-aware weather embeddings. Repo under Apache💙
👉Review https://lnkd.in/p/eW-dsepD
👉Paper https://lnkd.in/er_MvVft
👉Project https://lnkd.in/ehXPs3C7
👉Repo https://lnkd.in/edk7Ts_r
🍚Vision Weight Estimation🍚
👉Doppio is a novel video dataset capturing video of falling ground coffee, paired with precise, per-frame ground-truth weight measurements: OCR readings are extracted from the display, smoothed and time-lag compensated, and paired with per-frame weight annotations. Repo to be released under Apache💙
👉Review https://www.linkedin.com/posts/visionarynet_computer-vision-weight-estimation-activity-7501900695457951744-ArBO
👉Paper https://lnkd.in/eHuy87SX
👉Project https://lnkd.in/e9g9zeK3
👉Repo https://lnkd.in/emUePTiq
🦑Unified Segmentation n' Retrieval🦑
👉FoundYou gets an example of your object and it segments the same physical instance in a new image or retrieve it from a large gallery with ONE super-compact model. Repo/demo available💙
👉Review https://lnkd.in/p/ex2qnKHW
👉Paper arxiv.org/pdf/2608.29917
👉Project https://lnkd.in/eNEUB_nV
👉Repo https://lnkd.in/eRyDY6Ue
🍋🟩Remesh-Aware Mesh Deformation🍋🟩
👉RADmesh is a novel generative deformation technique enhanced by remeshing. Given a text prompt, it deforms and remeshes a mesh region to form new geometric features. Repo MIT💙
👉Review https://lnkd.in/p/eK6FZv9c
👉Paper https://arxiv.org/pdf/2608.17182
👉Project https://threedle.github.io/radmesh/
👉Repo https://github.com/threedle/radmesh/
🐆 Anyone in 4D is out 🐆
👉4DAnyone turns a casual monocular video into multi-view videos, enabling downstream 4DGS reconstruction. Full repo under Apache 2.0💙
👉Review https://lnkd.in/p/ec4dzGvb
👉Paper https://arxiv.org/pdf/2608.20335
👉Project https://4danyone.github.io
👉Repo github.com/ant-research/4DAnyone
🔥🔥UPAL: Unified Points n' Lines🔥🔥
👉ETH (+Microsoft Spatial AI Lab) unveils a novel feature extractor that jointly extracts keypoints, lines, and feature descriptors within a single lightweight net. SOTA in line detection can be achieved by adding only three convolutional layers to existing point extractor. Repo under Apache💙
👉Review https://lnkd.in/p/eW8j5JZj
👉Paper https://arxiv.org/pdf/2608.19894
👉Repo https://github.com/francois141/upal
🐠Dual-branch Elasticity ID-Tracking🐠
👉TIDE: tracking dense, homogeneous targets, providing a scalable dual-branch design to accommodate diverse hardware constraints. MIT license💙
👉Review https://t.ly/WEDeY
👉Paper https://arxiv.org/pdf/2607.26412
👉Project https://vranlee.github.io/TIDE/
👉Repo https://github.com/vranlee/TIDE
🔥Decoder-only Any-to-Any Model🔥
👉MODUS unifies any-to-any multimodal generation with one decoder, two experts, and zero task heads. Impressive work. Repo under Apache💙
👉Review https://t.ly/-2QKT
👉Paper https://lnkd.in/dhfBQGhB
👉Project https://lnkd.in/dPD_ECXk
👉Repo https://lnkd.in/dbDHw24u
