基于深度学习的LiDAR数据应用在不同传感器或任务之间往往面临显著的领域差异问题。为了使这些方法在不同数据集上达到与公开基准测试中报告的性能相当的准确率，通常需要大规模的标注数据集。然而，在实际应用中，获取标注数据成本高昂且耗时。这一挑战促使研究者们致力于发展标签高效（label-efficient）的算法，但其性能与全监督方法相比仍存在较大差距。为此，我们提出ImageTo360，一种高效且简洁的少样本（few-shot）标签高效LiDAR分割方法。该方法利用一个图像教师网络（image teacher network），在单个相机视角下为LiDAR数据生成语义预测。该教师网络用于预先训练LiDAR分割学生网络，随后可根据需要在360°数据上进行可选的微调。我们的方法在点级别以模块化方式实现，因此具有良好的通用性，可适配多种网络架构。实验结果表明，该方法在标签高效分割任务中超越了当前最先进的水平，甚至在某些情况下超过了传统全监督分割网络的性能。