Для решения проблемы недостаточного глобального моделирования структуры и плохого сохранения геометрических деталей в больших разреженных облаках точек внутреннего пространства, которые нельзя напрямую применять к разным сценам, в данной статье предложена новая сетевая архитектура, объединяющая пространственную последовательную наполненную сериализацию точек (SPFS) и геометрически воспринимаемое распространение каналов (GCP): модуль SPFS обеспечивает упорядоченное расположение соседних точек с помощью адаптивных кривых пространства заполнения, явно сохраняя направления и пространственную близость, что повышает возможности глобального моделирования структуры и снижает зависимость от явных координат; модуль GCP использует геометрические отношения между точками для управления взвешенным взаимодействием характеристик каналов и остаточным слиянием, эффективно усиливая способность различения сложных структур и граничных областей. Экспериментальные результаты показывают, что метод достигает отличных показателей по основным метрикам оценки, особенно выделяясь в трудных категориях и на объектах малого масштаба. Эксперименты на 3D внутреннем наборе данных Стэнфорда показали, что по сравнению с методом RandLA-Net, данный подход повышает mIoU с 70,0% до 76,2%, а mAcc с 82,4% до 83,4%. Данное исследование предлагает масштабируемое решение для высокоэффективной и высокоточной семантической сегментации крупномасштабных облаков точек, достигая более высокой общей точности при сохранении сходной эффективности вывода и потребления памяти.

семантическая сегментация облаков точек; пространственная сериализация; геометрическое восприятие; понимание трехмерных сцен