📄论文题目：HiLoTs: High-Low Temporal Sensitive Representation Learning for Semi-Supervised LiDAR Segmentation in Autonomous Driving
✍️作者及机构：
R.D. Lin、Pengcheng Weng、Yinqiao Wang、Fei Wang（西安交通大学软件工程学院）；Han Ding（西安交通大学计算机科学与技术学院）；Jinsong Han（浙江大学计算机科学与技术学院）
💻开源代码：https://github.com/rdlin118/HiLoTs
🧩面临问题：
标注成本高昂：传统全监督 LiDAR 点云分割方法需大量逐点标注，耗费大量人力与时间，且难以适应新环境， scalability 受限。
时间信息利用不足：现有半监督方法多聚焦点云空间分布，或仅考虑相邻两帧短期时间特征，忽略自动驾驶场景中 “近场物体稳定、远场物体多变” 的长期时间特性。
多模态依赖与性能矛盾：部分 SOTA 方法依赖 LiDAR+Camera 多模态数据，增加硬件与标注成本，且单模态半监督方法性能难以突破。
计算效率与特征表征难题：LiDAR 点云近密远疏，传统体素化方法易导致特征失衡；Transformer 注意力机制应用于大量体素时，计算复杂度高（O (n²)），难以高效处理。
🎯创新点及其具体研究方法：
1️⃣ 提出 HiLoTs 嵌入单元（HEU）：
核心思路：针对 “近稳远变” 特性，分通道处理不同时间敏感性特征。
具体方法：先通过多体素聚合（MVA）将相邻体素归为超体素，减少 Token 数量以降低计算成本；再分两条流处理 —— 高时间敏感流（HTSF）聚焦远场体素（最远 70% 范围），用自注意力捕捉类别与形状快速变化；低时间敏感流（LTSF）处理近场体素，同时与 HTSF 进行交叉注意力交互，实现稳定特征与动态特征的互补优化。
2️⃣ 圆柱体裁剪网络设计：
核心思路：贴合 LiDAR 径向扫描物理特性，解决点云近密远疏的数据不均衡问题。
具体方法：将笛卡尔坐标（x,y,z）转换为柱坐标（ρ,θ,z）（ρ 为径向距离，θ 为方位角）；体素大小随 ρ 增大而调整，近场用小体素保留细节，远场用大体素避免稀疏特征缺失；采用 3D ResNet50 提取初始特征，为后续模块提供高质量输入。
3️⃣ 基于 Mean Teacher 的半监督优化框架：
核心思路：充分利用无标注数据，平衡监督学习与无监督学习的特征对齐。
具体方法：构建学生 - 教师双网络 —— 学生网络处理标注数据，采用 Focal Loss 解决类别不平衡问题；教师网络处理无标注数据，通过 L2 一致性损失对齐学生网络预测；教师网络参数采用指数移动平均（EMA）从学生网络缓慢更新（Wt’ = γWt-1’ + (1-γ) Wt），避免训练震荡，最终用教师网络完成推理。
4️⃣ 多维度鲁棒性与效率优化：
核心思路：在性能提升基础上，保障模型在复杂场景下的稳定性与计算效率。
具体方法：通过消融实验验证不同体素化（立方、柱体、球形、圆柱体）、EMA 比率（0.5-0.999）、体素下采样策略（随机、密度、聚合）的影响，最终选择最优配置；在 SemanticKITTI-C 与 nuScenes-C 数据集上验证，模型在雾、雪、激光缺失等扰动场景下仍保持优异性能，鲁棒性媲美专门优化的 SOTA 模型。
)
)