本文提出了一种基于点到体素知识蒸馏的方法，提升了LiDAR语义分割任务中教师模型向学生模型的知识转移效果。通过困难感知采样和点-体素相似度蒸馏，取得了更高的精度和速度。同时，研究展示了图像引导网络（IGNet）在弱监督LiDAR语义分割中的优越表现，利用新型混合策略解决了传感器视场不匹配问题。

研究人员提出了一种基于图像引导网络（IGNet）的方法，通过使用RGB图像提供场景的更密集表示。IGNet借鉴了2D语义分割网络中的高级特征信息，并利用FOVMix策略解决传感器之间的水平视场不匹配问题。在ScribbleKITTI上实现了弱监督LiDAR语义分割的最先进结果，无需额外的标注负担或推理中的计算/内存成本。IGNet在半监督训练中也展示了有效性，在ScribbleKITTI和SemanticKITTI上均取得了最先进的结果。