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 17 260 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 17 260 підписників.
За останніми даними від 22 жовтня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на 253, а за останні 24 години на -1, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 18.98%. Протягом перших 24 годин після публікації контент зазвичай збирає 7.07% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 3 275 переглядів. Протягом першої доби публікація в середньому набирає 1 220 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 23.
- 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 23 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.
17 260
Підписники
-124 години
+67 днів
+25330 днів
Архів дописів
🐞GCT 3D Reconstruction🐞
👉ANT unveils LingBot-Map, a feed-forward 3D foundation model for reconstructing scenes from streaming data, built upon a geometric context transformer (GCT) architecture. Repo under A-NC 4.0 International💙
👉Review https://t.ly/ExodA
👉Paper https://arxiv.org/pdf/2604.14141
👉Project https://arxiv.org/pdf/2604.14141
👉Repo github.com/robbyant/lingbot-map
📱3D Human-Object Contact📱
👉Pi-HOC by CMU + NREC is a novel single-pass, instance-aware framework for dense 3D semantic contact prediction of all human-object pairs. Repo announced💙
👉Review https://t.ly/TAgG1
👉Paper https://arxiv.org/pdf/2604.12923
👉Project https://pi-hoc.github.io/
👉Repo https://github.com/SravanChittupalli/Pi-HOC
🐓Interactive Objects from EgoVideo🐓
👉EgoFun3D by Simon Fraser University is a coordinated task, dataset and benchmark for modeling interactive 3D objects from egocentric videos. Repo (TBA), demo & dataset💙
👉Review https://t.ly/YhGN7
👉Paper arxiv.org/pdf/2604.11038
👉Project 3dlg-hcvc.github.io/EgoFun3D/
👉Repo github.com/3dlg-hcvc/EgoFun3D
👉Demo bc79fea884062374b3.gradio.live/
🧴OmniShow: Automatic Contents Creation🧴
👉OmniShow is the novel SOTA in content creation with industry-grade performance. Impressive results, best with audio. Repo announced💙
👉Review https://t.ly/Pm-7U
👉Paper arxiv.org/pdf/2604.11804
👉Project correr-zhou.github.io/OmniShow/
👉Repo github.com/Correr-Zhou/OmniShow
🔥SOTA 3D Detection in the wild🔥
👉WildDet3D is a novel unified geometry-aware architecture that natively accepts text, point, and box prompts and can incorporate auxiliary depth signals at inference time. New SOTA! Repo, models & #iphone💙
👉Review https://t.ly/8NxBN
👉Paper https://arxiv.org/pdf/2604.08626
👉Project https://allenai.github.io/WildDet3D/
👉Repo https://github.com/allenai/WildDet3D
🐞6D Object Pose w/ Deformation🐞
👉DeSOPE by Xidian & #MagicLeap is a novel large-scale dataset for 6DoF deformed objects: 665K pose annotations produced via a semiautomatic pipeline. Repo & Dataset announced💙
👉Review https://t.ly/M5VgX
👉Paper https://arxiv.org/pdf/2604.06720
👉Project https://desope-6d.github.io/
👉Repo TBA
🪞1.1M Metric VTON Dataset🪞
👉Google's Fit-Inclusive Try-on: large-scale VTO dataset comprising over 1.13M try-on image triplets accompanied by precise body and garment measurements. Repo & dataset announced💙
👉Review https://t.ly/cs-pt
👉Paper arxiv.org/pdf/2604.08526
👉Project johannakarras.github.io/FIT/
👉Repo TBA
Here the preview, tomorrow the full clip from official source :)
Hinton our guest in Pavia (remotely) 💚😈
🔥BoxerNet: SOTA 2D->3D BBs🔥
👉Boxer by #META: transformer-based network to lift 2D BB proposals into 3D, followed by multi-view fusion and geometric filtering to produce globally consistent de-duplicated 3DBBs in metric world space. Repo under A-NC 4.0 International💙
👉Review https://t.ly/mlmV1
👉Paper https://arxiv.org/pdf/2604.05212
👉Project facebookresearch.github.io/boxer/
👉Repo github.com/facebookresearch/boxer
🔥Vanast: VTON w/ Human Animation🔥
👉SNU unveils a novel unified framework that generates garment-transferred human animation videos directly from a single human/garment images, and pose guidance clip. Repo announced💙
👉Review https://t.ly/c0t79
👉Paper arxiv.org/pdf/2604.04934
👉Project hyunsoocha.github.io/vanast/
👉Repo github.com/snuvclab/vanast
🍎Video Object Deletion🍎
👉Void by Netflix is a novel video object removal framework designed to perform physically-plausible inpainting in very complex scenarios. Repo under Apache 2.0💙
👉Review https://t.ly/cMVny
👉Paper https://arxiv.org/pdf/2604.02296
👉Project https://void-model.github.io/
👉Repo https://github.com/Netflix/void-model
If you have to invest TODAY 1B$ on a frontier tech for the next decade, would you invest in space, agentic, quantum or frugal GPUs? Vote here: https://t.ly/hSx6i
🪬Camera Raw Image Generation🪬
👉RawGen by #Samsung is a generative approach that learns the complex distribution of raw sensor data directly, enabling high-fidelity generation from either text descriptions or standard sRGB images across arbitrary camera sensors. Linear raw image once, then apply any ISP operation. Repo announced💙
👉Review https://t.ly/_QVKP
👉Paper https://arxiv.org/pdf/2604.00093
👉Project https://dy112.github.io/rawgen-page/
👉Repo TBA
🌵SOTA Training-Free In-Context Segmentation🌵
👉INSID3 is the new SOTA, training-free approach that segments concepts at varying granularities only from frozen DINOv3 features, given an in-context example. Repo under Apache 2.0💙
👉Review https://t.ly/NVWHN
👉Paper https://arxiv.org/pdf/2603.28480
👉Project https://visinf.github.io/INSID3/
👉Repo https://github.com/visinf/INSID3
👌HandX: Scaling Hands Motion👌
👉 HandX is a unified foundation spanning data, annotation, and evaluation: novel large-scale dataset of bimanual & dexterous motions with fine-grained textual. Around 6M frames. Repo available💙
👉Review https://t.ly/1nGxw
👉Paper https://arxiv.org/pdf/2603.28766
👉Project https://handx-project.github.io/
👉Repo github.com/handx-project/HandX
💥 GaussianGPT 3D GSC💥
👉From TUM, GaussianGPT: transformer-based 3D Gaussians generation via next-token prediction -> full 3D complex indoor scene. Repo announced💙
👉Review https://t.ly/bj-lL
👉Paper https://arxiv.org/pdf/2603.26661
👉Project https://nicolasvonluetzow.github.io/GaussianGPT/
👉Repo TBA
🐍Pose-Appearance-Motion for HOI🐍
👉PAM is a novel Pose–Appearance–Motion Engine for controllable Hand–Object Interaction SOTA video generation. Repo/models available💙
👉Review
👉Paper arxiv.org/pdf/2603.22193
👉Project gasaiyu.github.io/PAM.github.io/
👉Repo https://github.com/GasaiYU/PAM
🦪OccAny: Universal 3D Occupancy🦪
👉OccAny by Valeo is a novel unified framework for generalized unconstrained urban 3D occupancy prediction. Repo under Apache 2.0💙
👉Review
👉Paper https://arxiv.org/pdf/2603.23502
👉Project https://valeoai.github.io/OccAny/
👉Repo https://github.com/valeoai/OccAny
🍓Material-Aware Grouping🍓
👉Material Magic Wand (Adobe) is a tool for material-aware grouping of parts in untextured 3D meshes. Given one selected part, it automatically retrieves the other parts in the same shape by its material. Repo announced💙
👉Review https://t.ly/q00SU
👉Paper https://arxiv.org/pdf/2603.17370
👉Project umangi-jain.github.io/material-magic-wand/
👉Repo TBA
