室外场景补全是三维场景理解中的一项具有挑战性的问题，在智能机器人与自动驾驶领域具有重要作用。由于LiDAR数据获取的稀疏性，三维场景补全与语义分割任务面临更为复杂的挑战。鉴于语义特征能够为补全任务提供约束条件和语义先验信息，二者之间的关联值得深入探索。为此，我们提出一种端到端的语义分割辅助场景补全网络，该网络包含一个二维场景补全分支和一个三维语义分割分支。具体而言，网络以原始点云作为输入，通过分层融合语义分割分支提取的特征到补全过程，从而为补全任务提供丰富的语义信息。通过采用鸟瞰图（BEV）表示与三维稀疏卷积，我们在保持高效表达能力的同时，显著降低了计算开销。此外，语义分割分支的解码器作为辅助结构，在推理阶段可被移除，从而进一步减少计算消耗。大量实验表明，所提方法在SemanticKITTI数据集上取得了具有竞争力的性能，且具备较低的延迟。代码与模型将开源至：https://github.com/jokester-zzz/SSA-SC。