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 17 137 підписників, посідаючи 7 702 місце в категорії Технології та додатки та 2 235 місце у регіоні Малайзія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 17 137 підписників.
За останніми даними від 24 червня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -197, а за останні 24 години на -7, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 25.73%. Протягом перших 24 годин після публікації контент зазвичай збирає 6.87% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 4 411 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 25 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.
17 137
Підписники
-724 години
-427 днів
-19730 день
Архів дописів
⚽ Dynamic NeRFs for Soccer ⚽
👉SoccerNeRF: first attempt of "cheap" NeRF applied to football for reconstructing soccer replays in space and time.
😎Review https://t.ly/Ywcvk
😎Paper arxiv.org/pdf/2309.06802.pdf
😎Project https://soccernerfs.isach.be/
😎Code github.com/iSach/SoccerNeRFs
🦊 MagiCapture: HD Multi-Concept Portrait 🦊
👉KAIST unveils MagiCapture: integrating subject and style concepts to generate high-resolution portrait images using just a few subject and style references
😎Review https://t.ly/c9rOo
😎Paper https://arxiv.org/pdf/2309.06895.pdf
🧄FreeMan: towards #3D Humans 🧄
👉FreeMan: the first large-scale, real-world, multi-view dataset for #3D human pose estimation. 11M frames!
😎Review https://t.ly/ICxpA
😎Paper arxiv.org/pdf/2309.05073.pdf
😎Project wangjiongw.github.io/freeman
🔥🔥 #META's DINOv2 is now commercial! 🔥🔥
👉Universal features for image classification, instance retrieval, video understanding, depth & semantic segmentation. Now suitable for commercial.
😎Review https://t.ly/LNrGy
😎Paper arxiv.org/pdf/2304.07193.pdf
😎Code github.com/facebookresearch/dinov2
😎Demo https://dinov2.metademolab.com/
🪷 Diffusive Consistent Video Editing 🪷
👉 Weizmann Institute of Science unveils TokenFlow, a novel text-to-image diffusion model for text-driven video editing
😎Review https://t.ly/ru8km
😎Paper arxiv.org/pdf/2307.10373.pdf
😎Project diffusion-tokenflow.github.io
😎Code github.com/omerbt/TokenFlow
🍃 Tracking Anything with Decoupled VOS 🍃
👉A novel VOS approach that extends Segment Anything (SAM) to video for open-world video segmentation with no user input required
😎Review https://t.ly/xeobR
😎Paper arxiv.org/pdf/2309.03903.pdf
😎Project hkchengrex.com/Tracking-Anything-with-DEVA
😎Code github.com/hkchengrex/Tracking-Anything-with-DEVA
😎Colab https://colab.research.google.com/drive/1OsyNVoV_7ETD1zIE8UWxL3NXxu12m_YZ
♊️ Doppelgangers in Structures ♊️
👉A novel learning-based approach to visual disambiguation: distinguishing illusory matches to produce correct, disambiguated #3D reconstructions
😎Review https://t.ly/9yLot
😎Paper arxiv.org/pdf/2309.02420.pdf
😎Code github.com/RuojinCai/Doppelgangers
😎Project doppelgangers-3d.github.io/
⛺FACET: Fairness in Computer Vision⛺
👉#META AI opens a large, publicly available dataset for classification, detection & segmentation. Potential performance disparities & challenges across sensitive demographic attributes
😎Review https://t.ly/mKn-t
😎Paper arxiv.org/pdf/2309.00035.pdf
😎Dataset https://facet.metademolab.com/
🎍RoboTAP: Dense Tracking for Few-Shot Imitation🎍
👉RoboTAP is a novel dense tracking representation for robotic arm.
😎Review https://t.ly/MCO_V
😎Paper arxiv.org/pdf/2308.15975.pdf
😎Project https://robotap.github.io/
😎Code github.com/deepmind/tapnet
🐦 3D Pigeons Pose and Tracking 🐦
👉 3D-MuPPET: estimate and track 3D poses of pigeons with multiple-views
😎Review https://t.ly/jfAJJ
😎Paper arxiv.org/pdf/2308.15316.pdf
😎Code github.com/alexhang212/3D-MuPPET/
✂️ VideoCutLER: Super Simple UVIS ✂️
👉VideoCutLER is a simple unsupervised video instance segmentation (UVIS) method without relying on optical flows
😎Review https://t.ly/PBBjG
😎Paper arxiv.org/pdf/2308.14710.pdf
😎Project people.eecs.berkeley.edu/~xdwang/projects/CutLER
😎Code github.com/facebookresearch/CutLER/tree/main/videocutler
🌲 MagicEdit: Magic Video Editing 🌲
👉MagicEdit: explicit disentangling the learning of content, structure & motion for Hi-Fi and temporally coherent video editing.
😎Report https://t.ly/tREX4
😎Paper https://arxiv.org/pdf/2308.14749.pdf
😎Project https://magic-edit.github.io/
😎Code github.com/magic-research/magic-edit
🌲 MagicEdit: Magic Video Editing 🌲
👉MagicEdit: explicit disentangling the learning of content, structure & motion for Hi-Fi and temporally coherent video editing.
😎Report https://t.ly/tREX4
😎Paper https://arxiv.org/pdf/2308.14749.pdf
😎Project https://magic-edit.github.io/
😎Code github.com/magic-research/magic-edit
🪶 ReST: Multi-Camera MOT 🪶
👉Novel reconfigurable two-steps graph model for multi-camera multi object video tracking (MC-MOT)
😎Review https://t.ly/3C5tb
😎Paper arxiv.org/pdf/2308.13229.pdf
😎Code github.com/chengche6230/ReST
💡 Relighting NeRF 💡
👉Neural implicit radiance representation for free viewpoint relighting of an object lit by a moving point light
😎Review https://t.ly/J-3_L
😎Project nrhints.github.io
😎Code github.com/iamNCJ/NRHints
😎Paper nrhints.github.io/pdfs/nrhints-sig23.pdf
🐨 Watch Your Steps: Editing by Text 🐨
👉The novel SOTA in image & scene (text) editing via denoising diffusion models
😎Review https://t.ly/fv9wn
😎Paper arxiv.org/pdf/2308.08947.pdf
😎Project ashmrz.github.io/WatchYourSteps
🥕 Scenimefy: I-2-I for anime 🥕
👉S-Lab unveils a novel semi-supervised I-2-I translation framework + HD dataset for anime
😎Review https://t.ly/IsdEG
😎Paper arxiv.org/pdf/2308.12968.pdf
😎Code https://github.com/Yuxinn-J/Scenimefy
😎Project https://yuxinn-j.github.io/projects/Scenimefy.html
🌆 NeO360: NeRF for Sparse Outdoor 🌆
👉#Toyota (+GIT) unveils NeO360: 360◦ outdoor scenes from a single or a few posed RGB images
😎Review https://t.ly/JDJZg
😎Paper arxiv.org/pdf/2308.12967.pdf
😎Project zubair-irshad.github.io/projects/neo360.html
🌵 POCO: 3D HPS using Confidence 🌵
👉 Novel framework for HPS regression: #3D human body + confidence in a single feed-forward pass
😎Review https://t.ly/cDePe
😎Paper arxiv.org/pdf/2308.12965.pdf
😎Project https://poco.is.tue.mpg.de
