LiDARデータに対する深層学習の応用は、異なるセンサーやタスクに適用される際に強いドメインギャップに直面する。こうした手法が公開ベンチマークで報告された値と同等の精度を、異なるデータセット上で達成するためには、大規模なアノテーション付きデータセットが不可欠である。しかし実際の応用ではラベル付きデータの取得は費用がかかり、時間もかかる。このような課題から、ラベル効率の高い手法に関する多様な研究が進められているが、完全教師あり手法と比べて依然として大きなギャップが存在する。そこで本研究では、ラベル効率の高いLiDARセグメンテーションを実現する効果的かつ簡潔な少サンプル学習アプローチ「ImageTo360」を提案する。本手法は、画像教師ネットワークを用いて、単一カメラ視野内のLiDARデータに対してセマンティック予測を生成する。この教師ネットワークを用いて、360°データに対するオプションのファインチューニングを前提として、LiDARセグメンテーション用の学生ネットワークを事前学習する。本手法はポイントレベルでモジュール化されて実装されており、異なるネットワークアーキテクチャにも一般化可能である。提案手法は、ラベル効率の高い手法における現在の最先端性能を上回り、一部の従来の完全教師ありセグメンテーションネットワークをも凌駕する結果を得た。