这篇论文提出了一种基于多视角融合的 3D 点云语义分割方法，通过对球面和鸟瞰图进行高效的二维卷积神经网络分割，结合两个视角的分割结果，有效缓解了单个视角方法中存在的信息损失问题，既能提高准确率又能保证速度，在 SemanticKITTI 数据集上实现了高准确率（mIoU 为 55.5），同时比目前最先进的基于投影的方法 RangeNet++ 和 PolarNet 分别快 1.6 倍和 3.1 倍。

Nov, 2020

本研究提出了一种新的 LIDAR 语义分割方法，称为 3D-MiniNet，该方法结合了 3D 和 2D 学习层。该方法利用投影学习模块提取 3D 数据的局部和全局信息，并通过后处理模块将 2D 语义标签重新投影到 3D 空间中，在 SemanticKITTI 和 KITTI 公共基准测试中表现出比以前的方法更快、更节约参数的优势，并得到了最先进的结果。

Feb, 2020

本文提出了一种基于球形图像的实时端到端语义分割方法 PointSeg，它以从 3D LiDAR 点云转换来的球形图像为输入，并利用卷积神经网络（CNNs）来预测点级语义映射，它采用了轻量级网络 SqueezeNet 进行模型构建，并在 KITTI 3D 目标检测数据集上进行了训练，实验结果表明在单个 GPU 1080ti 上可达到每秒 90 帧的竞争精度，适用于自动驾驶应用。

Jul, 2018

本文介绍了一种名为 MVP-Net 的神经网络结构，它可以高效地对大规模室外点云进行语义分割，而无需 KNN 算法，并且通过实验验证，MVP-Net 的速度是最有效的点云语义分割方法 RandLA-Net 的 11 倍，并在大规模基准数据集 SemanticKITTI 上达到相同的准确性。

Jan, 2022

本文旨在研究基于传感器融合技术的三维语义分割，将 RGB 图像转化为 LiDAR 所使用的极坐标网格映射表示，并设计了早期和中期融合架构，同时提出了融合两种算法的混合融合结构。在 KITTI 数据集中评估了所提出算法的效果，并相对于仅使用 LiDAR 的基线模型，在两种最先进的算法 SqueezeSeg 和 PointSeg 上分别提高了 10% 的分割精度。

Jun, 2019

本文介绍了一种名为 CENet 的图像语义分割网络，采用卷积而非 MLP，精选的激活函数和多个辅助分割头来提高特征描述能力和降低计算时间复杂度，使用公开的基准测试 SemanticKITTI 和 SemanticPOSS 进行的实验表明，与现有模型相比，我们的模型在 mIoU 和推理性能方面均表现更好。

Jul, 2022

本文提出了针对 LiDAR 数据的新型自动驾驶车辆的语义分割算法 PolarNet，通过極坐标系间接对齐分割网络的注意力，解决了点云分布不均等问题。在三个不同的真实城市 LiDAR 单次扫描数据集中，该编码方案显著提高了平均交并比，同时保持了接近实时的吞吐量。

Mar, 2020

该研究设计了 FPS-Net 网络，利用点云投影图像的不同特征进行多模态特征融合，旨在优化点云的分段。该网络的有效性在广泛实验中得到证明，可以实现优于现有方法的语义分割，并且引入的多模态融合思想也兼容于典型的投影方法。

Mar, 2021

本研究提出了一种多尺度 LiDAR 辅助透视变换神经网络，利用点云信息将图像特征投影到俯视图中，从而在大幅度提升语义网格生成方面取得了实质性的进展，实现了 25FPS 的实时性能。

Feb, 2023

本研究提出了一个新的实时卷积神经网络 ——Lite-HDSeg，用于三维激光雷达点云的智能语义分割，在 SemanticKitti 基准测试中取得了最佳的准确度和计算复杂度平衡。本文提出的方法在机器人和自动驾驶应用中是非常适合的。

Mar, 2021