AAAI2025｜PC-BEV：巧用多坐标系融合策略，实现点云分割170倍加速，精度显著提升！

主要观点总结

本文介绍了一种基于鸟瞰图（BEV）空间的激光雷达点云分割方法，该方法通过融合极坐标和笛卡尔分区策略，实现了快速且高效的特征融合。作者还提出了一种混合Transformer-CNN架构，用于增强场景理解能力。实验结果证明，该方法在性能和推理速度方面均优于现有的多视图融合技术。

关键观点总结

关键观点1: 多分区特征融合框架

作者提出了一种创新的多分区特征融合框架，完全在BEV空间内操作，充分利用了极坐标和笛卡尔分区方案之间的固定对应关系。该方法克服了传统点云交互中的计算瓶颈，通过混合Transformer-CNN架构增强了场景理解能力。

关键观点2: 极坐标-笛卡尔BEV融合框架

作者提出的极坐标-笛卡尔BEV融合框架用于激光雷达语义分割，包括两个分支：笛卡尔分支和极坐标分支。该框架通过融合两种不同分区策略下的特征，实现了高效特征融合，并保留了更多的上下文信息。

关键观点3: 重映射技术

作者采用重映射技术来对齐两种不同分区方法下的特征，建立了笛卡尔和极坐标分支之间的坐标对应关系。这种技术使特征融合过程更加高效，显著提高了计算速度。

关键观点4: Transformer-CNN混合架构

作者提出了一种Transformer-CNN混合架构，用于BEV表示中的特征提取。该架构通过自注意力机制捕获全局场景信息，然后通过轻量级CNN进行进一步的特征提取，增强了模型性能。

关键观点5: 实验验证

作者在SemanticKITTI和nuScenes数据集上进行了广泛实验，证明了该方法的有效性和高效率。实验结果表明，该方法在性能和推理速度方面均实现了最先进的性能。