本文介绍了一种利用散点图和SAM模型生成图像语义分割标签的方法，并将其映射到LiDAR空间，实现点云语义分割。发布了Scatter-KITTI和Scatter-nuScenes数据集，首次采用基于图像分割的弱监督方法。提出的MM-ScatterNet网络通过多模态特征一致性提升点云学习。在SemanticKITTI和NuScenes数据集上，使用极少注释数据实现高效全监督性能。

本文介绍了一种通过散点图和SAM模型生成图像语义分割标签的方法，并将其映射到LiDAR空间实现点云语义分割。发布了Scatter-KITTI和Scatter-nuScenes数据集。提出的MM-ScatterNet网络通过多模态特征一致性提升点云表示学习，在SemanticKITTI和NuScenes数据集上使用极少量注释数据实现了接近全监督的性能。

本文研究了点云语义分割中的域自适应和测试时间自适应，通过引入领域转换和更新 BN 统计的方法，以及最大化信息和可靠性约束伪标签的方法，提高了分类准确率。在摄影测量到空中 LiDAR 的适应中，达到了59.46%的mIoU和85.97%的OA。

本文研究了点云语义分割中的域自适应和测试时间自适应，通过引入不同的领域转换范例和逐步更新BN统计的方法，以及最大化信息和可靠性约束伪标签的方法，实现了比其他方法更好的分类准确率提升。在摄影测量到空中LiDAR的适应中，本方法在推理阶段达到了59.46%的mIoU和85.97%的OA。