La segmentation LiDAR est devenue un élément essentiel des systèmes d'automatisation avancés. Les approches récentes de segmentation LiDAR basées sur des images de portée montrent un grand potentiel pour un traitement en temps réel. Toutefois, elles souffrent inévitablement d'une information contextuelle altérée et dépendent fortement de techniques de post-traitement pour affiner leurs prédictions. Dans ce travail, nous proposons FRNet, une méthode simple mais puissante visant à restaurer l'information contextuelle des pixels d'une image de portée en exploitant les points LiDAR correspondants situés dans le frustum. Premièrement, un module d’encodage de caractéristiques de frustum est utilisé pour extraire des caractéristiques par point dans la région du frustum, ce qui préserve la cohérence scénique et est crucial pour les prédictions au niveau des points. Ensuite, un module de fusion frustum-point est introduit afin de mettre à jour hiérarchiquement les caractéristiques par point, permettant à chaque point d’extraire davantage d’informations environnantes grâce aux caractéristiques du frustum. Enfin, un module de fusion de tête est employé pour fusionner les caractéristiques aux différents niveaux afin d’obtenir les prédictions sémantiques finales. Des expériences étendues menées sur quatre benchmarks populaires de segmentation LiDAR, sous diverses configurations de tâche, démontrent l’efficacité supérieure de FRNet. Notamment, FRNet atteint des scores mIoU de 73,3 % et 82,5 % sur les ensembles de test de SemanticKITTI et nuScenes, respectivement. Tout en offrant des performances compétitives, FRNet fonctionne cinq fois plus vite que les approches de pointe actuelles. Cette haute efficacité ouvre de nouvelles perspectives pour une segmentation LiDAR plus évolutive. Le code source est disponible publiquement à l’adresse suivante : https://github.com/Xiangxu-0103/FRNet.