{
  "paper_id": "0672023be2498f8f87eca24788d3ed81",
  "paper_title": "PC-BEV: An Efficient Polar-Cartesian BEV Fusion Framework for LiDAR Semantic Segmentation",
  "paper_authors": [
    "Shoumeng Qiu",
    "Xinrun Li",
    "Xiangyang Xue",
    "Jian Pu"
  ],
  "publication_date": "",
  "publication_venue": "Proceedings of the AAAI Conference on Artificial Intelligence",
  "abstract": "尽管多视图融合在LiDAR分割中已展现出潜力，但由于距离视图与鸟瞰图（BEV）等视图之间缺乏固定对应关系，其依赖于计算密集型的点级交互，阻碍了实际部署。本文挑战了多视图融合是实现高性能所必需这一普遍观念，证明通过在BEV空间内直接融合极坐标与笛卡尔划分策略即可获得显著收益。所提出的仅BEV分割模型利用这些划分方案之间固有的固定网格对应关系，使融合过程比传统点级方法快几个数量级（170倍加速）；同时该方法实现稠密特征融合，与稀疏的点级替代方案相比保留了更丰富的上下文信息。为在保持推理效率的同时增强场景理解，还引入了Transformer-CNN混合架构。在SemanticKITTI和nuScenes数据集上的广泛评估表明，该方法在性能和推理速度方面均优于以往的多视图融合方法，凸显了基于BEV的融合在LiDAR分割中的潜力。",
  "keywords": [
    "LiDAR语义分割",
    "鸟瞰图(BEV)",
    "极坐标-笛卡尔融合",
    "重映射特征融合",
    "Transformer-CNN混合架构",
    "自动驾驶",
    "点云分割"
  ],
  "paper_institutions": [
    "Fudan University, Shanghai, China",
    "Bosch Corporate Research, China"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:36:46.657525Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\n多视图融合虽在LiDAR语义分割中展现出潜力，但由于距离视图与鸟瞰图（BEV）等视图间缺乏固定对应关系，其依赖的计算密集型点级交互（网格采样与scatter回写操作）阻碍了实际部署，且特征融合仅限于存在点的区域、易丢失周围上下文。针对该问题，本文提出PC-BEV框架，挑战多视图融合是高性能必需的传统观念，直接在统一BEV空间内融合极坐标与笛卡尔两种空间划分策略的特征：利用二者固有的固定网格对应关系预计算重映射参数，通过PolarToCart与CartToPolar双向重映射实现高效特征对齐与融合，速度较点级交互方法提升170倍，并在整个BEV空间实现稠密融合以保留更丰富的上下文信息；同时引入Transformer-CNN混合架构（自注意力捕获全局场景信息、轻量U-net式CNN提取细节特征），在保持实时推理的同时增强场景理解。实验选取自动驾驶领域广泛采用的SemanticKITTI（43,551帧扫描、22条序列）与nuScenes-lidarseg（40,000帧扫描、1,000个场景、32线LiDAR、20Hz采样）基准数据集，以mIoU为评价指标，验证了方法在性能与推理速度上的双重优势：SemanticKITTI验证集上取得66.4% mIoU（超GFNet 3.4%、AMVNet 1.2%），测试集上达67.2% mIoU（超RangeViT 3.2%、CENet 2.5%、GFNet 1.8%、AMVNet 1.9%），nuScenes验证集上达78.8% mIoU（超AMVNet 2.7%、RPVNet 2.2%），整体推理延迟31ms（V100 GPU）比点级融合快20%，重映射操作延迟仅0.04ms（2080Ti）而点级方法需6.8–8.0ms，这些结果共同支持了BEV内双划分融合策略与重映射机制的有效性。核心机制为最终点级特征输出 F_out = GS(Concat(F_cart^out, PolarToCart(F_polar^out)))，即先将极坐标分支特征重映射至笛卡尔空间、与笛卡尔特征拼接后仅执行一次网格采样，再经MLP分类器得到逐点语义预测。未来方向为将该方法拓展至多相机图像数据衍生的BEV表征；实际应用需满足自动驾驶系统的实时性约束，该方法在性能与速度上均优于以往多视图融合方法，具备实际部署潜力。\n\n### 关键要点\n\n- 提出PC-BEV框架，在统一BEV空间内融合极坐标与笛卡尔两种空间划分策略的特征，而非传统跨视图（距离视图+BEV）融合，挑战了多视图融合为高性能必需的观念。\n- 重映射融合利用同一BEV空间内极坐标与笛卡尔网格的固定坐标对应关系，可预先计算对应参数，实现比点级交互方法快170倍的特征融合。\n- 与仅在有激光点存在的区域进行稀疏融合的点级方法不同，重映射融合覆盖整个BEV空间实现稠密融合，保留更多上下文信息；一支路中无对应区域的位置采用零填充处理。\n- 提出Transformer-CNN混合架构：先用Transformer自注意力块捕获全局场景信息，后接轻量U-net式CNN提取细节特征，兼顾分割性能与实时推理能力。\n- 点云经简化PointNet（仅含全连接层、批归一化与ReLU）编码后散射回BEV空间形成两分支输入，两分支网络结构相同但参数独立，特征经双向重映射交互后拼接融合。\n- 最终预测采用 F_out = GS(Concat(F_cart^out, PolarToCart(F_polar^out)))，仅需一次网格采样；实验发现将极坐标特征对齐至笛卡尔空间略优于反向方式。\n- 在SemanticKITTI验证集上，单独极坐标与笛卡尔分支分别取得61.2%与56.5% mIoU，融合后达66.4%，超过GFNet 3.4%、AMVNet 1.2%。\n- 在SemanticKITTI测试集上取得67.2% mIoU，优于RangeViT（+3.2%）、CENet（+2.5%）、MaskRange（+1.1%）、GFNet（+1.8%）与AMVNet（+1.9%）。\n- 在nuScenes验证集上取得78.8% mIoU，超越AMVNet 2.7%与RPVNet 2.2%；单独极坐标与笛卡尔分支分别为75.0%与71.4% mIoU。\n- 效率实验（2080Ti GPU、0.2m体素分辨率）显示重映射操作延迟仅0.04ms，而点级方法（网格采样+scatter回写）需6.8–8.0ms，scatter回写因写冲突需加锁而显著耗时。\n- 消融实验（nuScenes验证集）表明：原生双分支提升1.2% mIoU，重映射融合模块再提升0.9%，Transformer-CNN混合架构再提升0.6%；整体延迟31ms（V100 GPU），比点级融合方法快20%。\n- 未来研究方向为将该方法应用于多相机图像数据衍生的BEV表征，以拓展至纯视觉的自动驾驶感知场景。",
  "available_templates": [
    "deep_read",
    "simple"
  ]
}