Um dem Mangel an globaler Strukturmodellierung und der schlechten Erhaltung geometrischer Details in großflächigen spärlichen Innenraum-Punktwolken zu begegnen, die nicht direkt in verschiedenen Szenen angewendet werden können, schlägt dieser Artikel eine neue Netzwerkarchitektur vor, die Raumfüllende Punktsequenzierung (SPFS) und Geometrisch Wahrnehmende Kanalübertragung (GCP) kombiniert: Das SPFS-Modul realisiert eine geordnete Anordnung benachbarter Punkte durch adaptive Raumfüllungskurven, bewahrt explizit Richtungsbeziehungen und räumliche Nähe, verbessert so die globale Strukturmodellierungsfähigkeit und verringert die Abhängigkeit von expliziten Koordinaten; Das GCP-Modul nutzt geometrische Beziehungen zwischen Punkten zur Steuerung gewichteter Interaktionen zwischen Kanalmerkmalen und Restfusion, wodurch die Diskriminierungsfähigkeit komplexer Strukturen und Grenzbereiche effektiv verstärkt wird. Experimentelle Ergebnisse zeigen, dass die Methode bei gängigen Bewertungsmetriken hervorragende Leistungen erzielt, insbesondere bei schwierigen Kategorien und kleinen Zielen. Durch Experimente auf dem Stanford 3D-Indoor-Datensatz verbessert die Methode im Vergleich zur RandLA-Net-Methode mIoU von 70,0 % auf 76,2 % und mAcc von 82,4 % auf 83,4 %. Diese Studie bietet eine skalierbare Lösung für eine effiziente und hochpräzise semantische Segmentierung großflächiger Punktwolken und erzielt dabei eine höhere Gesamtgenauigkeit bei gleichbleibender Effizienz der Inferenz und ähnlichem Speicherverbrauch.

semantische Segmentierung von Punktwolken; räumliche Serialisierung; geometrische Wahrnehmung; 3D-Szenenverständnis