MaskRange：一种基于距离视图的激光雷达分割的掩码分类模型

基于距离视图的激光雷达分割方法由于直接继承自高效的 2D CNN 架构，对实际应用颇具吸引力。在文献中，大多数基于距离视图的方法遵循逐像素分类范式。近来，在图像分割领域，另一种范式将分割表述为掩码分类问题并取得了卓越性能。这引出一个有趣的问题：掩码分类范式能否惠及基于距离视图的激光雷达分割，并取得优于对应逐像素范式的性能？为回答该问题，我们提出一个统一的掩码分类模型 MaskRange，用于基于距离视图的激光雷达语义与全景分割。伴随新范式，我们还提出一种新颖的数据增强方法以应对过拟合、上下文依赖与类别不平衡问题。我们在 SemanticKITTI 基准上开展了充分实验。在所有已发表的基于距离视图的方法中，我们的 MaskRange 以 $66.10$ mIoU 在语义分割上取得了最先进性能，并以 $53.10$ PQ 在全景分割上以高效率取得了有前景的结果。我们的代码将会公开。