Вже доступно! Дослідження Telegram за 2025 — головні інсайти року 
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 17 168 підписників, посідаючи 7 718 місце в категорії Технології та додатки та 2 234 місце у регіоні Малайзія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 17 168 підписників.
За останніми даними від 20 червня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -169, а за останні 24 години на 0, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 22.86%. Протягом перших 24 годин після публікації контент зазвичай збирає N/A% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 3 926 переглядів. Протягом першої доби публікація в середньому набирає 0 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 26.
- 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 21 червня, 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.
17 168
Підписники
Немає даних24 години
-357 днів
-16930 день
Архів дописів
🦗Character Mixing Generation🦗
👉MBZUAI unveils the first ever video-gen system able to preserve character ID, behavior & original style while generating plausible interactions between characters that have never coexisted - from cartoons (We Bare Bears, Tom & Jerry) to realistic humans (Mr. Bean, Young Sheldon)
👉Review https://t.ly/tN84a
👉Paper https://lnkd.in/dhKMwukv
👉Project https://lnkd.in/dBkJs48h
👉Repo https://lnkd.in/dw_uzgAk
🐠ITTO: Protocol for Dynamic Tracking🐠
👉ITTO by Caltech is a novel long-range tracking benchmark suite for evaluating and diagnosing tracking methods on complex and long-range motions. Repo under CC BY-NC 4.0💙
👉Review https://t.ly/tN84a
👉Paper https://arxiv.org/pdf/2510.19819
👉Project https://glab-caltech.github.io/ITTO/
👉Repo https://github.com/ilonadem/itto
🏜️Omni Driving Navigation Models🏜️
👉OmniNWM is a unified panoramic navigation world model that advances autonomous driving by jointly generating multi-modal states (RGB, semantics, depth, 3D occupancy), enabling precise action control & facilitating closed-loop evaluation through occupancy-based dense rewards. Repo under Apache 2.0💙
👉Review https://t.ly/ktXvz
👉Paper https://lnkd.in/eFKSZnrc
👉Project https://lnkd.in/eSDfccv8
👉Repo https://lnkd.in/efCSvjtp
Repo (pretty empty) now online: https://github.com/OatmealLiu/UrbanVerse
🔥 SAM 2++: Track Anything 🔥
👉SAM 2++ is a novel unified model towards tracking at any granularity, including masks, boxes, and points. Impressive results but no code announced yet 😢
👉Review https://t.ly/I392_
👉Paper arxiv.org/pdf/2510.18822
👉Project tracking-any-granularity.github.io/
👉Repo :(
+2
🌵All-in-One Dense Keypoints🌵
👉DeepDetect is a novel all-in-one, dense keypoints detector that unifies the strengths of SIFT, ORB, BRISK, FAST, AGAST, Harris, Shi-Tomasi, Canny & Sobel into a neural net. DAMN ROMANTIC. Repo under MIT💙
👉Review https://t.ly/VKGct
👉Paper https://arxiv.org/pdf/2510.17422
👉Repo https://github.com/saktx/DeepDetect
🦄 City-Tour -> Simulation 🦄
👉UrbanVerse is a novel system to convert real-world urban scenes from city-tour videos into physics-aware, interactive simulation environments, enabling scalable robot learning in urban spaces with real-world generalization. Repo & Data announced 💙
👉Review https://t.ly/UvXNS
👉Paper https://arxiv.org/pdf/2510.15018
👉Project https://urbanverseproject.github.io/
👉Repo TBA
🫙Universal Feature Up-Sampling🫙
👉AnyUp is a novel method for feature up-sampling that can be applied to ANY vision feature at ANY resolution, without encoder-specific training: inference-time feature-agnostic up-sampling architecture to improve up-sampling quality. Repo under CC-4.0💙
👉Review https://t.ly/HvEw9
👉Paper https://arxiv.org/pdf/2510.12764
👉Project https://wimmerth.github.io/anyup/
👉Repo https://github.com/wimmerth/anyup
🫧🫧 Detect Anything via MLLM 🫧🫧
👉Rex-Omni is a 3B-multimodal model that unifies visual perception tasks, including object detection, OCR, pointing, key-pointing & visual prompting into a single next point prediction framework. Impressive results. Full repo under IDEA License 1.0💙
👉Review https://t.ly/DCTk_
👉Paper https://lnkd.in/d4VDD-9j
👉Project https://lnkd.in/d6unEyvq
👉Repo https://lnkd.in/dkYJFe-x
↗️ TrackVLA++ Visual Tracking↘️
👉TrackVLA++ is a novel Vision-Language-Action model that incorporates spatial reasoning and target identification memory, enabling SOTA performance in both long-horizon and highly crowded tracking scenarios. Model announced💙
👉Review https://t.ly/ruYzc
👉Paper https://arxiv.org/pdf/2510.07134
👉Project pku-epic.github.io/TrackVLA-plus-plus-Web/
👉Repo TBA
💄Pixel-Perfect Depth (SOTA)💄
👉Pixel-Perfect Depth is a mono-depth estimation model with pixel-space diffusion transformers. New SOTA. Repo under Apache 2.0💙
👉Review https://t.ly/75PGo
👉Paper https://lnkd.in/d8wxFpyY
👉Project https://lnkd.in/dV5HhsqH
👉Repo https://lnkd.in/d9JKFBJq
👉Demo https://lnkd.in/d3wBkKJ9
🎺Visual Grounding RVOS🎺
👉ReferDINO is a strong RVOS model that inherits region-level vision-language alignment from foundational visual grounding models, and is further endowed with pixel-level dense perception & cross-modal spatio-temporal reasoning. Code, Demo & checkpoints released💙
👉Review https://t.ly/rOdkP
👉Paper https://lnkd.in/efuAFQdE
👉Project https://lnkd.in/dK3wMZqv
👉Repo https://lnkd.in/d3i2PsNF
🎺Visual Grounding RVOS🎺
👉ReferDINO is a strong RVOS model that inherits region-level vision-language alignment from foundational visual grounding models, and is further endowed with pixel-level dense perception & cross-modal spatio-temporal reasoning. Code, Demo & checkpoints released💙
👉Review https://t.ly/rOdkP
👉Paper https://lnkd.in/efuAFQdE
👉Project https://lnkd.in/dK3wMZqv
👉Repo https://lnkd.in/d3i2PsNF
👉 A proof I'm not a bot...
My (short) interview to one of the biggest Italian media: AI in 2016, HPC / Quantum and how I created my startup: https://www.linkedin.com/posts/visionarynet_ai-itw25-ai-activity-7381215486115643392-t7an
Thanks for the support (and of course a new paper coming in a few hours)
🎷🎷 Clink! Chop! Thud! 🎷🎷
👉Sounding Object Detection: while an environment may contain many objects, only a few are directly involved in producing sound during an interaction. This model detects the sounding object given a video of an object interaction. Code/Data announced💙
👉Review https://t.ly/VK_1h
👉Paper https://lnkd.in/depNjVXm
👉Project https://lnkd.in/dF63EZFG
👉Repo TBA
🔩Code-Centric Agentic Education🔩
👉Show Lab unveils Code2Video: agentic, code-centric framework that generates HQ educational videos from knowledge points. Unlike pixel-based text-to-video models, this approach leverages executable Manim code to ensure clarity, coherence & reproducibility. Repo under MIT💙
👉Review https://t.ly/Fv4LJ
👉Paper https://arxiv.org/pdf/2510.01174
👉Repo https://github.com/showlab/Code2Video/
👉Project https://showlab.github.io/Code2Video/
👩🦱Physical-Hair Diffusion👩🦱
👉CONTROLHAIR is novel hybrid framework that integrates a physics simulator with conditional video diffusion to enable controllable dynamic hair rendering. Repo announced💙
👉Review https://t.ly/78LHr
👉Paper https://lnkd.in/epm-A9Fq
👉Project https://lnkd.in/evsjz298
👉Repo TBA
👔 Universal Image Restoration 👔
👉LucidFlux by HKUSTGZ is the universal image restoration framework built on a large-scale diffusion transformer that delivers photorealistic restorations of real-world low-quality (LQ) images, outperforming SOTA diffusion-based models across diverse degradations. Repo under custom Non-Commercial License💙
👉Review https://t.ly/Z5cA3
👉Paper https://arxiv.org/pdf/2509.22414
👉Project https://w2genai-lab.github.io/LucidFlux/
👉Repo https://github.com/W2GenAI-Lab/LucidFlux
🤖 Real-time Interactive Long Video 🤖
👉LONGLIVE by #Nvidia is a frame-level autoregressive framework for real-time & interactive long video generation. LONGLIVE accepts sequential user prompts and generates corresponding videos in real time. Repo under non-commercial license💙
👉Review https://t.ly/jJkdY
👉Paper arxiv.org/pdf/2509.22622
👉Project nvlabs.github.io/LongLive/
👉Repo github.com/NVlabs/LongLive
🤗huggingface.co/Efficient-Large-Model/LongLive-1.3B
🔥SOTA Detection w/ DINOv3🔥
👉DEIMv2 is the evolution of DEIM framework while leveraging DINOv3. Various model sizes, from an ultra-light version up to S, M, L, & X for a wide range of scenarios. Across these variants, DEIMv2 achieves SOTA. Repo Apache2.0💙
👉Review https://t.ly/P7jEH
👉Paper arxiv.org/pdf/2509.20787
👉Repo github.com/Intellindust-AI-Lab/DEIMv2
👉Project intellindust-ai-lab.github.io/projects/DEIMv2
