Nous présentons une nouvelle approche pour l'achèvement sémantique 3D à plusieurs échelles à partir de nuages de points 3D LiDAR épars voxelisés. Contrairement aux travaux antérieurs, nous utilisons un backbone 2D UNet avec des connexions skip à plusieurs échelles exhaustives pour améliorer le flux de caractéristiques, associé à des têtes de segmentation 3D. Sur le banc d'essai SemanticKITTI, notre méthode offre des performances comparables en achèvement sémantique et supérieures en achèvement d'occupation par rapport à toutes les autres méthodes publiées – tout en étant significativement plus légère et rapide. Elle fournit ainsi un excellent compromis performance/vitesse pour les applications de robotique mobile. Les études d'ablation montrent que notre méthode est robuste face aux entrées de densité inférieure et qu'elle permet un achèvement sémantique très rapide au niveau le plus grossier. Notre code est disponible sur https://github.com/cv-rits/LMSCNet.