Для решения проблемы недостаточного моделирования глобальной структуры и плохого сохранения геометрических деталей в крупномасштабных разреженных облаках точек в помещении, которые нельзя напрямую применять ко всем сценариям, в данной работе предлагается новая сетевая структура, объединяющая последовательную пространственную заливку точек (SPFS) и геометрически осведомленное распространение каналов (GCP): модуль SPFS с помощью адаптивной пространственной заливочной кривой упорядочивает соседние точки, явно сохраняя направленные отношения и пространственную близость, что повышает способность глобального моделирования структуры и снижает зависимость от явных координат; модуль GCP использует геометрические отношения между точками для направленного взвешенного взаимодействия признаков каналов и остаточного слияния, эффективно усиливая дискриминационную способность для сложных структур и граничных областей. Экспериментальные результаты показывают, что данный метод достигает отличных показателей по основным метрикам оценки, особенно хорошо проявляет себя в сложных классах и на объектах мелкого масштаба. Проведенные эксперименты на внутреннем трёхмерном датасете Стэнфорда показывают, что <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><msub><mrow><mi>m</mi></mrow><mrow><mi mathvariant="normal">I</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">U</mi></mrow></msub></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/4277CD0A-8410-478b-AF72-CAD91CE58139-M001.jpg"/><?fx-imagestate width="5.41866684" height="3.21733332"?></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/4277CD0A-8410-478b-AF72-CAD91CE58139-M001c.jpg"/><?fx-imagestate width="5.41866684" height="3.21733332"?></graphic></alternatives></inline-formula> увеличился с 70,0% до 76,2%, а <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M2"><msub><mrow><mi>m</mi></mrow><mrow><mi mathvariant="normal">A</mi><mi mathvariant="normal">c</mi><mi mathvariant="normal">c</mi></mrow></msub></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/4277CD0A-8410-478b-AF72-CAD91CE58139-M002.jpg"/><?fx-imagestate width="5.41866684" height="3.21733332"?></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/4277CD0A-8410-478b-AF72-CAD91CE58139-M002c.jpg"/><?fx-imagestate width="5.41866684" height="3.21733332"?></graphic></alternatives></inline-formula> — с 82,4% до 83,4%. Данное исследование предлагает масштабируемое решение для эффективной и высокоточной семантической сегментации крупномасштабных облаков точек, достигая более высокой общей точности при сохранении сопоставимой эффективности вывода и затрат памяти.

семантическая сегментация облаков точек; пространственная сериализация; геометрическая осведомленность; понимание трёхмерных сцен