2026年10月15日，韩国首尔国立大学研究者在arXiv提交计算机视觉论文SpaceCache，关注自动驾驶和机器人使用的连续点云流语义分割。论文指出，现有方法通常逐帧从头处理，而相邻帧中的空间区域往往高度重叠；其核心思路是缓存此前帧中已经计算出的中间特征，并在后续帧中复用这些特征，从而减少重复的Transformer计算。论文原文摘要
SpaceCache是一种无需重新训练的特征缓存机制。它主要复用点云Transformer较深阶段、且与当前空间区域对应的特征；未命中的点云标记仍按原流程计算，随后恢复完整的标记布局以完成密集预测。论文还介绍了缓存管理策略，包括限制缓存条目的存留时间，以及清除置信度较低的条目，以降低旧特征或错误匹配对结果的影响。
根据论文摘要，研究者在nuScenes、Waymo和ScanNet等室外与室内基准上进行了测试，并将方法接入Utonia和LitePT-B两种点云网络。作者报告称，SpaceCache最高可实现1.65倍加速，同时平均交并比（mIoU）下降低于1个百分点，并持续优于标记合并方法。这里的“最高加速”是论文在特定模型、数据集和设置下的结果，不应直接理解为所有自动驾驶或机器人系统都能获得相同收益；该工作目前仍是arXiv论文，相关结论尚需更多独立复现和真实部署验证。
这项工作的价值在于，它没有通过压缩输入或削减点云信息来换取速度，而是利用视频式空间观测中的时间连续性，减少深层特征的重复计算。若这一思路在更复杂的运动、遮挡和传感器噪声条件下仍然稳定，未来可能帮助实时三维感知降低推理延迟和算力成本。但缓存机制也带来新的工程风险：场景快速变化时，过期特征可能影响分割结果，因此缓存寿命、置信度判断和异常场景检测将是落地时需要重点评估的指标。
事件及资料日期：事件日期为2026-10-15，即论文在arXiv标注的提交日期；本文资料检索日期为2026-10-18。论文摘要中的实验数字属于作者报告，尚未独立核验。
参考来源：
- SpaceCache: Intermediate Feature Reuse for Efficient Semantic Segmentation on Point Cloud Streams 2026-10-15
由 AI 整理，仅供参考；请以原始来源为准。
