我们提出了一种从体素化的稀疏3D LiDAR扫描数据中进行多尺度3D语义场景补全的新方法。与现有文献中的方法不同，我们采用了具有全面多尺度跳跃连接的2D U-Net骨干网络来增强特征流动，并结合了3D分割头。在SemanticKITTI基准测试中，我们的方法在语义补全方面表现与所有已发表的方法相当，在占用补全方面则优于其他所有方法——同时显著更轻量且更快。因此，它为移动机器人应用提供了出色的性能与速度权衡。消融研究表明，我们的方法对低密度输入具有鲁棒性，并能够在最粗略的层次上实现非常高速的语义补全。我们的代码可在以下地址获取：https://github.com/cv-rits/LMSCNet。