LiDAR 포인트 클라우드에 밀도 높은 레이블을 부여하는 것은 비용이 매우 크며, 이는 완전히 감독 학습 기법의 확장성에 제약을 가한다. 본 연구에서는 LiDAR 세그멘테이션 분야에서 여전히 탐색이 부족한 반감독 학습(Semi-Supervised Learning, SSL)에 대해 탐구한다. 우리의 핵심 아이디어는 LiDAR 포인트 클라우드가 지닌 강력한 공간적 정보를 활용하여, 레이블이 없는 데이터를 더 효과적으로 활용하는 것이다. 이를 위해 서로 다른 LiDAR 스캔에서 나온 레이저 빔을 혼합하는 LaserMix 기법을 제안하며, 혼합 전후에 모델이 일관성 있고 확신 있는 예측을 하도록 유도한다. 본 프레임워크는 세 가지 매력적인 특성을 갖는다. 1) 일반성(Generic): LaserMix는 LiDAR 표현 방식(예: 레인지 뷰, 복셀 등)에 관계없이 적용 가능하므로, 제안된 SSL 프레임워크는 보편적으로 활용될 수 있다. 2) 통계적 타당성: 제안된 프레임워크의 적용 가능성을 이론적으로 설명하기 위해 철저한 분석을 제공한다. 3) 효과성: 대표적인 LiDAR 세그멘테이션 데이터셋(nuScenes, SemanticKITTI, ScribbleKITTI)에서 실시한 종합적인 실험 분석을 통해 본 방법의 효과성과 우수성을 입증한다. 특히, 완전 감독 대비 레이블 수를 2배에서 5배 줄였음에도 불구하고 경쟁력 있는 성능을 달성하였으며, 감독 학습 기반의 기본 모델에 비해 평균 10.8%의 성능 향상을 이뤘다. 본 연구에서 제안하는 간결하면서도 높은 성능을 발휘하는 프레임워크가 향후 반감독 LiDAR 세그멘테이션 연구에 기여하기를 기대한다. 코드는 공개되어 있다.