LiDARセグメンテーションは、先進的な自動運転システムにおける不可欠な構成要素となっている。近年の範囲ビュー（range-view）LiDARセグメンテーション手法は、リアルタイム処理の可能性を示しているが、依然として文脈情報が損なわれやすく、予測の精度向上に後処理技術に大きく依存しているという課題を抱えている。本研究では、範囲画像のピクセルに含まれる文脈情報を、対応するフリスム（frustum）LiDARポイントを用いて回復することを目的とした、シンプルでありながら強力な手法であるFRNetを提案する。まず、フリスム領域内の各ポイントに対して特徴を抽出する「フリスム特徴エンコーダーモジュール」を導入し、シーンの整合性を保持することで、ポイントレベルの予測に不可欠な情報を維持する。次に、「フリスムポイント統合モジュール」を用いて、階層的に各ポイントの特徴を更新することで、各ポイントがフリスム特徴を通じてより広範な周辺情報を抽出できるようにする。最後に、「ヘッド統合モジュール」を用いて、異なるレベルの特徴を統合し、最終的なセマンティック予測を行う。本研究では、4つの代表的なLiDARセグメンテーションベンチマークにおいて、さまざまなタスク設定下で広範な実験を実施した結果、FRNetの優位性が明らかになった。特に、SemanticKITTIおよびnuScenesのテストセットにおいて、それぞれ73.3%および82.5%のmIoUスコアを達成した。優れた性能を維持しつつ、最先端手法と比較して5倍の高速性を実現しており、高い効率性により、よりスケーラブルなLiDARセグメンテーションの実現が可能となる。コードはGitHubにて公開されており、https://github.com/Xiangxu-0103/FRNet から入手可能である。