RPVNet：一种用于LiDAR点云分割的深度高效范围-点-体素融合网络

点云可以以多种形式（视图）表示，通常包括基于点的集合、基于体素的单元或基于范围的图像（即全景视图）。基于点的视图在几何上是准确的，但它是无序的，这使得难以高效地找到局部邻域。基于体素的视图是规则的，但稀疏，当体素分辨率增加时计算量呈立方增长。基于范围的视图是规则且通常密集的，然而球面投影会导致物理尺寸失真。体素和范围视图都存在量化损失的问题，特别是在面对大规模场景时，体素视图尤为明显。为了在细粒度分割任务中利用不同视图的优势并缓解其自身的不足，我们提出了一种新颖的范围-点-体素融合网络，即RPVNet。在此网络中，我们设计了一个具有多种和相互信息交互的深度融合框架，并提出了一种门控融合模块（称为GFM），该模块可以根据并发输入自适应地合并三种特征。此外，所提出的RPV交互机制效率极高，我们将其总结为一个更为通用的形式。通过利用这种高效的交互和相对较低的体素分辨率，我们的方法也被证明更加高效。最后，我们在两个大规模数据集上评估了所提出的模型，即SemanticKITTI和nuScenes，并在这两个数据集上均表现出最先进的性能。值得注意的是，在没有任何额外技巧的情况下，我们的方法目前在SemanticKITTI排行榜上排名第一。