Wir stellen einen neuen Ansatz zur mehrskaligen 3D-semantischen Szenevervollständigung aus verpixtelten dünnen 3D-LiDAR-Scans vor. Im Gegensatz zu den bisherigen Veröffentlichungen nutzen wir ein 2D U-Net-Basisnetzwerk mit umfassenden mehrskaligen Skip-Verbindungen, um den Featurefluss zu verbessern, sowie 3D-Segmentierungsheads. Auf dem SemanticKITTI-Benchmark erreicht unsere Methode vergleichbare Ergebnisse in der semantischen Vervollständigung und bessere Ergebnisse in der Besetztheitsvervollständigung als alle anderen veröffentlichten Methoden – dabei ist sie erheblich leichter und schneller. Dadurch bietet sie eine ausgezeichnete Leistung/Geschwindigkeit-Ausgewogenheit für Anwendungen im mobilen Roboterbereich. Die Ausfallstudien (Ablation studies) zeigen, dass unsere Methode robust gegenüber Eingaben mit geringerer Dichte ist und dass sie eine sehr hohe Geschwindigkeit bei der semantischen Vervollständigung auf der gröbsten Ebene ermöglicht. Unser Code ist unter https://github.com/cv-rits/LMSCNet verfügbar.