RGB图像与深度图像的区别在于它们携带了更多的颜色和纹理信息，这些信息可以作为深度的重要补充，以提升3D语义场景补全（SSC）的性能。SSC由3D形状补全（SC）和语义场景标记组成，而现有的大多数方法仅使用深度作为输入，这导致了性能瓶颈。此外，最先进的方法采用了3D卷积神经网络（CNN），这些网络结构复杂且参数量庞大。我们引入了一种轻量级的维度分解残差网络（DDR）用于3D密集预测任务。新颖的因子分解卷积层有效地减少了网络参数，而提出的多尺度融合机制则可以在同时提高补全和分割精度。我们的方法在两个公开数据集上展示了优异的性能。与最新的方法SSCNet相比，我们在SC-IoU上提高了5.9%，在SSC-IoU上提高了5.7%，尽管所使用的网络参数仅为SSCNet的21%，浮点运算次数（FLOPs）为16.6%。