自動運転データセットにおける点群の意味分割には、大量の点を効率的に処理できる技術が必要です。疎な3D畳み込みは、このタスクのために深層ニューラルネットワークを構築するための事実上の標準ツールとなっています：これらの畳み込みは、点群の疎性を利用することでメモリと計算負荷を削減し、今日の最先端手法の中心となっています。本論文では、疎な3D畳み込みを必要とせずに最先端手法に匹敵する性能を達成する代替手法を提案します。具体的には、大規模かつ高性能な3D認識に適していないと思われるツールを使用して、そのような性能が達成可能であることを示します。特に、MLP（多層パーセプトロン）と密な2D畳み込みでほぼ独占的に構成される新しい3Dバックボーン「WaffleIron」を提案し、SemanticKITTIおよびnuScenesでの高性能達成に向けてどのように訓練するかを説明します。我々は、WaffleIronが疎な3D畳み込みを使用したバックボーンの魅力的な代替手段であり、特にそのような畳み込みが容易に利用できないフレームワークやハードウェアにおいて有用であると考えています。