RandLA-Net,一种高效且轻量级的神经网络架构,可以直接推断大规模点云的每个点的语义。方法的关键在于使用随机点采样,而不是更复杂的点选择方法。尽管随机采样在计算和内存方面非常高效,但也可能偶然丢弃关键特征。为了解决这个问题,我们引入了一种新颖的局部特征聚合模块,以逐步增加每个3D点的感受野,从而有效保留几何细节。大量实验表明,RandLA-Net可以在单次传递中处理100万个点,其速度比现有方法快200倍。此外,RandLA-Net在两个大规模基准Semantic3D和SemanticKITTI上的语义分割性能表现优越。