论文题目：Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR Segmentation （用于 LiDAR 分割的柱面划分与非对称 3D 卷积网络）
会议：CVPR 2021
摘要：大规模驾驶场景中的 LiDAR 语义分割方法通常先把点云投影到二维空间，再使用 2D 卷积处理。虽然这类方法具有较强竞争力，但二维投影不可避免地会改变甚至丢失原始三维拓扑与几何关系。一个自然的替代方案是采用 3D 体素化和 3D 卷积网络，但作者发现，直接这样做在室外点云上的性能提升仍然有限，一个重要原因是室外点云具有明显的稀疏性和密度变化。为此，论文提出新的室外 LiDAR 分割框架，通过柱面划分和非对称 3D 卷积网络，在保留三维几何结构的同时适应这些固有特性；同时加入逐点细化模块，以缓解体素标签编码造成的信息损失。该方法在 SemanticKITTI 和 nuScenes 上进行评估，在 SemanticKITTI 排行榜取得第 1 名，并在 nuScenes 上相较已有方法获得约 4% 的明显提升。进一步实验表明，该框架还可以推广到 LiDAR 全景分割和 3D 目标检测。
源码：https://github.com/xinge008/Cylinder3D
一、研究背景与核心问题
LiDAR 语义分割的目标是给每个激光点预测语义类别。室外场景真正棘手的地方在于：点云不仅稀疏，而且密度会随距离显著变化，近处点密、远处点稀。
论文讨论了两条常见路线。二维投影方法把点云变成 Range Image 或鸟瞰图，再使用 2D CNN，效率较高，但会改变三维几何关系；规则体素方法则保留 3D 结构，却默认空间划分相对均匀，远距离区域因此容易产生大量空体素。
论文 Figure 1：Range Image、规则立方体划分与柱面划分的对比，以及不同方法在 SemanticKITTI 上的性能位置
Figure 1 给出了论文最核心的动机：二维投影可能把空间上相距很远的点变成二维邻居，而柱面划分能得到更均衡的点分布。论文统计中，柱面划分有点的 cell 比例约为 89%，规则立方体约为 61%。因此，Cylinder3D 的核心问题是：既然室外 LiDAR 的稀疏性和变密度是数据本身的结构特征，那么空间划分和卷积结构也应该主动适配它。
二、方法整体框架
论文 Figure 2：Cylinder3D 整体框架，以及 AD、AU、非对称残差块和 DDCM 的结构
整体流程可以概括为：
Point Cloud → Point-wise MLP → Cylindrical Partition → Asymmetrical 3D CNN → DDCM → Voxel-wise Prediction → Point-wise Refinement
输入点云先经 MLP 得到逐点特征，再根据柱面坐标重排为结构化 3D 表示；随后使用非对称 3D 卷积网络完成编码与解码，并通过 DDCM 建模较大范围上下文；最后把 voxel-wise feature 映射回点，并与体素化之前的逐点特征融合，得到最终预测。
在 SemanticKITTI 和 nuScenes 上，论文均使用 480 × 360 × 32 的柱面表示，三个维度分别对应半径、方位角和高度。Cylinder3D 的关键不是"是否体素化"，而是什么样的体素坐标系与卷积核更适合室外 LiDAR。
三、Cylindrical Partition：先解决"怎么划分空间"
普通 voxelization 在 (x, y, z) 笛卡尔坐标中使用规则立方体。固定大小的体素会造成近处拥挤、远处空洞。Cylinder3D 则把点转换到柱面坐标 (ρ, θ, z)，其中 ρ 是 XY 平面内到原点的距离，θ 是方位角，再沿半径、角度和高度进行划分。由于相同角度间隔对应的物理宽度会随半径增加，远处 cell 会自然覆盖更大的空间范围，因此能部分抵消远距离点云变稀的问题。
论文 Figure 3：柱面划分和立方体划分在不同距离区间的非空 cell 比例
Figure 3 显示，0--10 m 时两种划分差异较小，但距离增加后，规则立方体的非空比例下降更快；远距离区域中，其非空比例约为柱面划分的六分之一。这说明 cylindrical partition 并非简单"换坐标系"，而是在表示层面适配 LiDAR 的距离相关密度变化。
论文 Figure 4：Cylindrical Partition 的具体流程
Figure 4 展示了 (x, y, z) → (ρ, θ, z) 的坐标变换以及逐点特征向柱面网格的重新分配。最终网络依然使用 3D 卷积，只是输入网格更符合室外 LiDAR 的空间分布。
四、Asymmetrical 3D CNN 与细粒度恢复
道路场景中的汽车、卡车、摩托车等目标具有明显的水平和垂直结构。作者因此设计 Asymmetrical Residual Block，用非对称卷积强化卷积核"骨架"，同时降低部分计算与显存开销。
论文 Figure 5：汽车与摩托车示例，以及非对称卷积对水平、垂直方向结构的强调
网络使用类似 3 × 1 × 3 与 1 × 3 × 3 的卷积组合，并在此基础上构建 Asymmetrical DownSample Block 和 UpSample Block，形成完整的 encoder-decoder。
4.1 DDCM：用维度分解建模全局上下文
论文进一步加入 Dimension-Decomposition based Context Modeling（DDCM）。其思路是把难以直接构建的高秩上下文分解为多个低秩分量，再聚合成最终特征。具体做法是沿不同维度使用 rank-1 kernel 提取信息，通过分解---聚合方式扩大上下文范围，而不是直接堆叠更大的 3D kernel。
4.2 Point-wise Refinement：补回体素化损失
多个点可能落入同一个 cell，但它们未必属于同一类别，因此 voxel label encoding 天然会丢失信息。
论文 Figure 6：不同 cell-label encoding 的 mIoU 上界
Figure 6 表明，无论采用 majority encoding 还是 minority encoding，都达不到理想编码的 100% 上界。作者因此把 3D CNN 输出的 voxel feature 通过 point-voxel mapping 映射回点，并与网络前的原始逐点特征融合进行细化。训练目标为 L = L_voxel + L_point：voxel 端使用 weighted cross-entropy 与 Lovász-Softmax，point 端使用 weighted cross-entropy；推理时采用逐点细化结果。
五、实验结果与消融分析
论文主要在 SemanticKITTI 和 nuScenes 上验证语义分割性能，指标为 mIoU；此外还扩展到 LiDAR panoptic segmentation 和 3D detection，以验证泛化能力。
5.1 SemanticKITTI 与 nuScenes 主实验
论文 Table 1：SemanticKITTI test set 上与主流 LiDAR 语义分割方法的比较
Cylinder3D 在 SemanticKITTI test set 上达到 67.8 mIoU ，高于表中的 SPVNAS 66.4、KPRNet 63.1 和 TORANDONet 63.1；相较 RangeNet++ 的 52.2、PolarNet 的 54.3 和 SalsaNext 的 59.5，优势更明显。论文同时报告 170 ms 延迟，低于表中 RandLA-Net 的 800 ms 和 KPConv 的 263 ms。
论文 Table 2：nuScenes validation set 上的语义分割结果
在 nuScenes 上，Cylinder3D 达到 76.1 mIoU，高于 SalsaNext 的 72.2、PolarNet 的 71.0 和 RangeNet++ 的 65.5。对于 bicycle、pedestrian 等较稀疏类别，Cylinder3D 分别达到 40.3 和 78.9，也高于表中对比方法，与论文针对稀疏性和密度变化进行设计的动机相吻合。
5.2 核心模块消融
论文 Table 3：Cylinder、Asym-CNN、DDCM 与 Point-wise Refinement 的逐步消融
基础 3D voxel + 3D CNN baseline 为 58.1 mIoU ；加入 cylindrical partition 后提升到 61.0 ；再加入 asymmetrical 3D CNN 达到 63.8 ；加入 DDCM 后为 65.2 ；最后加入 point-wise refinement 得到 65.9。
这组消融给出了清晰的模块分工：Cylinder 主要解决 varying density，Asym-CNN 主要适配驾驶场景的几何结构与稀疏性，DDCM 补充上下文，PR 修复 voxel-to-point 过程中的细节损失。 前两个模块各带来约 3 个点的提升，是框架最核心的设计。
5.3 为什么要使用非对称卷积
论文 Figure 7：Regular、1D-Asymmetrical 与完整 Asymmetrical Residual Block 的结构对比
论文 Table 4：三种残差块的消融结果
普通 residual block 为 61.0 mIoU ，1D-Asymmetrical block 为 62.0 ，完整 Asymmetrical Residual Block 达到 63.8。这说明强化水平/垂直 kernel 本身就有效，把高度维也纳入设计后还能进一步提升，直接支撑了作者关于"卷积核结构应匹配驾驶场景目标分布"的判断。
5.4 跨任务泛化
论文 Table 5：SemanticKITTI validation set 上的 LiDAR panoptic segmentation 结果
扩展到 panoptic segmentation 后，方法获得 56.4 PQ ，高于 KPConv + PV-RCNN 的 51.7。按 Table 5 本身，things 类 PQTh = 58.8 明显领先，而 PQSt = 54.8 并非表中最高，因此更稳妥的结论是：整体 PQ 与前景实例类表现证明了该表示具有不错的跨任务泛化能力。
论文 Table 6：在 nuScenes 上将 CyAs 接入 SECOND 与 SSN 的 3D detection 结果
将 cylindrical partition + asymmetrical CNN 接入 SECOND 后，mAP 从 31.6 提升到 36.4 ，NDS 从 46.8 提升到 51.7 ；接入更强的 SSN 后，mAP 仍从 46.3 提升到 47.7 ，NDS 从 56.9 提升到 58.2。这说明 CyAs 并不只是为语义分割定制的模块，而可以作为更适合室外 LiDAR 的 3D 表示与 backbone 设计。
六、总结与思考
如果把 Cylinder3D 压缩成一句话，它真正做的不是"把点云换成柱坐标再做 3D CNN"，而是：
从室外 LiDAR 的物理采样特性出发，同时重设计空间划分方式与 3D 卷积结构。
论文的逻辑链条很完整：先指出二维投影会损失 3D 几何、普通立方体 voxel 又不适合 varying density；再用 cylindrical partition 改善远近区域分布不均，用 asymmetrical 3D convolution 强化与驾驶场景目标形状相匹配的方向响应；最后利用 DDCM 增强上下文，并用 point-wise refinement 修补体素编码造成的细节损失。
从方法设计上看，这篇论文最值得学习的是它的问题定义方式 ：先观察并统计数据真实存在的结构偏差，再让 representation 和 network architecture 主动适配这种偏差。对于后续 LiDAR 语义分割工作，这个思路仍然很有价值------与其单纯堆叠更复杂的 attention 或更深的 backbone，不如先问一句：当前的坐标系、邻域与特征聚合方式，真的符合 LiDAR 的几何分布吗？