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 17 136 підписників, посідаючи 7 701 місце в категорії Технології та додатки та 2 225 місце у регіоні Малайзія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 17 136 підписників.
За останніми даними від 25 червня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -186, а за останні 24 години на 3, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 23.94%. Протягом перших 24 годин після публікації контент зазвичай збирає 6.86% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 0 переглядів. Протягом першої доби публікація в середньому набирає 1 177 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 0.
- 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 26 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.
17 136
Підписники
+324 години
-367 днів
-18630 день
Архів дописів
🔥OmniBenchmark: CV beyond ImageNet🔥
👉 21 realms, 7,000+ concepts and 1M+ images. Far beyond ImageNet!
𝐇𝐢𝐠𝐡𝐥𝐢𝐠𝐡𝐭𝐬:
✅vs. ImageNet: 2.5x realms, 9x concepts
✅Conciseness: no concept overlapping
✅ReCo: Relational Contrastive Learning
✅New supervised contrastive learning SOTA
More: https://bit.ly/3RJRKU0
🔥Grand Unification of Object Tracking🔥
👉UNICORN: unified method for SOT, MOT, VOS, & MOTS with a single neural net. 🤯
𝐇𝐢𝐠𝐡𝐥𝐢𝐠𝐡𝐭𝐬:
✅Great unification for 4 tracking tasks
✅Bridging methods / pixel-wise corresp.
✅SOTA on 8 challenging benchmarks
✅Source code under MIT License
More: https://bit.ly/3o74h6g
🔥🔥 Update 🔥🔥
👉Code https://github.com/THUDM/CogVideo
👉Demo https://wudao.aminer.cn/cogvideo/
More: https://bit.ly/3yP86BQ
🍰 Long-Term Object Segmentation 🍰
👉XMem: object segmentation for long clips with unified feature memory stores
𝐇𝐢𝐠𝐡𝐥𝐢𝐠𝐡𝐭𝐬:
✅Inspired by Atkinson–Shiffrin model
✅Stores with different temporal scales
✅Memory consolidation algorithm
✅Compact/powerful long-term memory
✅Source code and models available
More: https://bit.ly/3PP0EOn
☀️ 4D Neural Relightable Humans ☀️
👉Relighting4D: free-viewpoints relighting of humans under unknown illuminations
𝐇𝐢𝐠𝐡𝐥𝐢𝐠𝐡𝐭𝐬:
✅Relight dynamic, free viewpoints
✅Disentangled reflectance/geometry
✅SOTA on synthetic/real datasets
✅Code/models under MIT License
More: https://bit.ly/3RF3yH9
🤹♂️ K-Means Mask Transformer 🤹♂️
👉#Google AI unveils kMaX-DeepLab, novel E2E method for segmentation
𝐇𝐢𝐠𝐡𝐥𝐢𝐠𝐡𝐭𝐬:
✅kMaX-DeepLab: k-means Mask Xformer
✅Rethinking relationship pixels / object
✅Cross-attention -> k-means clustering
✅The new SOTA on several dataset
More: https://bit.ly/3O2QV5I
👽 Neural I2I with a few shoots 👽
👉#Alibaba unveils a novel portrait stylization. Limited samples (∼100) -> HD outputs
𝐇𝐢𝐠𝐡𝐥𝐢𝐠𝐡𝐭𝐬:
✅Calibration first, translation later
✅Balanced distribution to calibrate bias
✅Spatially semantic constraints via geometry
✅Source code and models soon available!
More: https://bit.ly/3IwOmHO
📟📟AI-Designed Circuits with Deep RL📟📟
👉#Nvidia unveils an #AI to design circuits from scratch, smaller and faster than SOTA ones
𝐇𝐢𝐠𝐡𝐥𝐢𝐠𝐡𝐭𝐬:
✅Parallel prefix circuits for Hi-Perf
✅RL framework to explore the circuit space
✅Smaller, Faster, Power-- from the scratch
More: https://bit.ly/3yY9dk7
🦒 Text2LIVE: Text-Driven Neural Editing 🦒
👉#Amazon unveils a novel #AI for text-driven edit of videos. Insane! 🤯
𝐇𝐢𝐠𝐡𝐥𝐢𝐠𝐡𝐭𝐬:
✅Semantic edits of real-world videos
✅Edit layer–RGBA representing target
✅Edit layers synthesized on single input
✅No masks or a pre-trained generator
More: https://bit.ly/3NVP6aE
😊😎 Seq-DeepFake via Transformers 😎😊
👉S-Lab opens Seq-DeepFake: Detecting Sequential DeepFake Manipulation
𝐇𝐢𝐠𝐡𝐥𝐢𝐠𝐡𝐭𝐬:
✅Seq-DeepFake: sequences of facial edits
✅Dataset: 85k #deepfake manipulation
✅Powerful Seq-DeepFake Transformer
✅Code, dataset and models available!
More: https://bit.ly/3ACQXhi
🔥🔥 Neural Segmentation on fire 🔥🔥
👉Novel methods for segmentation with mask calibration. Robustness++ in VOS.
𝐇𝐢𝐠𝐡𝐥𝐢𝐠𝐡𝐭𝐬:
✅Study: VOS robustness vs. perturbations
✅Adaptive object proxy (AOP) aggregation
✅Less errors due unstable pixel-level match
✅Code/models (should be) available soon
More: https://bit.ly/3yhIY6Q
🔥🔥 HD Dichotomous Segmentation 🔥🔥
👉 A new task to segment highly accurate objects from natural images.
𝐇𝐢𝐠𝐡𝐥𝐢𝐠𝐡𝐭𝐬:
✅5,000+ HD images + accurate binary mask
✅IS-Net baseline in high-dim feature spaces
✅HCE: model vs. human interventions
✅Source code (should be) available soon
More: https://bit.ly/3ah2BDO
🔥YOLOv7: YOLO for segmentation🔥
👉YOLOv7: adding a lot of newer skills to the YOLO architecture family.
𝐇𝐢𝐠𝐡𝐥𝐢𝐠𝐡𝐭𝐬:
✅YOLOv7, not a successor of YOLO family!
✅Framework for detection & segmentation
✅Applications based on #META detectron2
✅DETR & ViT detection out-of-box
✅Easy support for pipeline thought #ONNX
✅YOLOv4 + InstanceSegm. via single stage
✅The latest YOLOv6 training is supported!
✅Source code under GPL license.
More: https://bit.ly/3ysSJAp
🐪 BlazePose: Real-Time Human Tracking 🐪
👉Novel real-time #3D human landmarks from #google. Suitable for mobile.
𝐇𝐢𝐠𝐡𝐥𝐢𝐠𝐡𝐭𝐬:
✅MoCap from single RGB on mobile
✅Avatar, Fitness, #Yoga & AR/VR
✅Full body pose from monocular
✅Novel 3D ground truth acquisition
✅Additional hand landmarks
✅Fully integrated in #MediaPipe
More: https://bit.ly/3uvyiAv
🔥🔥YOLOv6 is out: PURE FIRE!🔥🔥
👉YOLOv6 is a single-stage object detection framework for industrial applications
𝐇𝐢𝐠𝐡𝐥𝐢𝐠𝐡𝐭𝐬:
✅Efficient Decoupled Head with SIoU Loss
✅Hardware-friendly for Backbone/Neck
✅520+ FPS on T4 + TensorRT FP16
✅Released under GNU General Public v3.0
More: https://bit.ly/3OLjncK
🥶 E2V-SDE: biggest troll ever? 🥶
👉E2V-SDE paper (accepted to #CVPR2022) consists of texts copied from 10+ previously published papers 😂
𝐇𝐢𝐠𝐡𝐥𝐢𝐠𝐡𝐭𝐬:
✅Latent ODEs for Irregularly-Sampled TS
✅Stochastic Adversarial Video Prediction
✅Continuous Latent Process Flows
✅More papers....
More: https://bit.ly/3bsL8Zw (AUDIO ON!)
🗺️Neural Translation Image -> Map🗺️
👉A novel method for instantaneous mapping as a translation problem
𝐇𝐢𝐠𝐡𝐥𝐢𝐠𝐡𝐭𝐬:
✅Bird’s-eye-view (BEV) map from image
✅A restricted data-efficient transformer
✅Monotonic attention from lang.domain
✅SOTA across several datasets
More: https://bit.ly/39MQ76Z
🫀I M AVATAR: source code is out!🫀
👉Neural implicit head avatars from monocular videos
𝐇𝐢𝐠𝐡𝐥𝐢𝐠𝐡𝐭𝐬:
✅#3D morphing-based implicit avatar
✅Detailed Geometry/appearance
✅D-Rendering e2e learning from clips
✅Novel synthetic dataset for evaluation
More: https://bit.ly/3A2yzy9
🍔 Fully Controllable "NeRF" Faces 🍔
👉Neural control of pose/expressions from single portrait video
𝐇𝐢𝐠𝐡𝐥𝐢𝐠𝐡𝐭𝐬:
✅NeRF-control of the human head
✅Loss of rigidity by dynamic NeRF
✅3D full control/modelling of faces
✅No source code or models yet 😢
More: https://bit.ly/3OEjwi7
🦋Transf-Codebook HD-Face Restoration🦋
👉S-Lab unveils CodeFormer: hyper-datailed face restoration from degraded clips
𝐇𝐢𝐠𝐡𝐥𝐢𝐠𝐡𝐭𝐬:
✅Face restoration as a code prediction
✅Discrete CB prior in small proxy space
✅Controllable transformation for LQ->HQ
✅Robustness and global coherence
✅Code and models soon available
More: https://bit.ly/3QEa9B5
