LLaVA-Cube est une méthode innovante qui améliore la compréhension des scènes 3D par les modèles de langage visuel (VLM) en s'inspirant de l'art cubiste. Elle utilise des images 2D multi-vues pour reconstruire des scènes 3D sans nécessiter de données d'entraînement 3D dédiées. Le projet transforme les objets 3D en ensembles de tokens visuels organisés, permettant aux VLMs standards d'analyser et de répondre à des requêtes textuelles sur des scènes 3D complexes, sans fine-tuning.