NUC-Net：用于高效 LiDAR 语义分割的非均匀柱面划分网络

LiDAR 语义分割在自动驾驶中发挥着至关重要的作用。现有的基于体素的 LiDAR 语义分割方法对 3D LiDAR 点云进行均匀划分，以形成基于笛卡尔/柱面坐标的结构化表示。尽管这些方法表现出色，但现有基于体素的方法仍存在两方面的缺点：（1）它需要足够大的输入体素分辨率，这带来了大量的计算成本和内存消耗。（2）它不能很好地处理 LiDAR 点云不平衡的点分布。在本文中，我们提出了一种名为 NUC-Net 的非均匀柱面划分网络来解决上述挑战。具体而言，我们提出了间隔等差数列（API）方法，对径向轴进行非均匀划分，并生成具有代表性和高效性的体素表示。此外，我们提出了一种非均匀多尺度聚合方法以改善上下文信息。我们的方法在 SemanticKITTI 和 nuScenes 数据集上取得了最先进的性能，且速度更快、训练时间更少。我们的方法可作为 LiDAR 语义分割的通用组件，通过实现 $4 \times$ 训练加速、$2 \times$ GPU 内存减少和 $3 \times$ 推理加速，显著提升了均匀对应方法的准确性和效率。我们进一步提供了理论分析，以理解 NUC 为何有效以及点分布如何影响性能。代码可在 \href{https://github.com/alanWXZ/NUC-Net}{https://github.com/alanWXZ/NUC-Net} 获取。