重新思考用于 LiDAR 分割的距离视图表示

基于摘要分析。本文研究自动驾驶感知中的 LiDAR 分割，重新审视距离视图表示相较点表示、体素表示的学习瓶颈，提出覆盖网络架构、数据增强和后处理的 RangeFormer 框架，以及基于低分辨率距离图像训练的 Scalable Training from Range view（STR）策略。 机制方面，作者将距离视图投影中的“多对一”映射、语义不连贯和形状变形列为可能妨碍有效学习的因素，并通过全流程设计改善距离视图下的点云学习与处理。STR 旨在使用任意低分辨率的二维距离图像训练，同时维持令人满意的三维分割精度；摘要未披露具体架构、损失函数、增强操作、后处理步骤或分辨率设置，尚不能判断各模块的独立贡献与计算收益。 结果方面，作者报告在 SemanticKITTI、nuScenes 和 ScribbleKITTI 所涉及的 LiDAR 语义及全景分割基准中，距离视图方法能够超过点、体素及多视图融合方法，并将其表述为首次达到这一表现。摘要未给出各数据集对应任务、评估指标、分数、数据划分及对照配置，因此该结论仍需结合正文核对，实验协议、消融及统计信息尚未验证。 该研究的主要对象是具有几何投影关系的 LiDAR 点云，而非 EEG 或 BCI。其投影瓶颈与 EEG 信号处理之间的具体机制对应尚未建立，不能据此推断 EEG 有效性；已有 EEG 相关工作尚未检索确认。复现需进一步取得距离视图构建规则、STR 配置、训练细节及后处理实现。