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 17 142 підписників, посідаючи 7 723 місце в категорії Технології та додатки та 2 241 місце у регіоні Малайзія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 17 142 підписників.
За останніми даними від 23 червня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -190, а за останні 24 години на -2, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 25.09%. Протягом перших 24 годин після публікації контент зазвичай збирає 6.86% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 4 302 переглядів. Протягом першої доби публікація в середньому набирає 1 177 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 24 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.
17 142
Підписники
-224 години
-367 днів
-19030 день
Архів дописів
🦀 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
