研究团队于2026年10月15日在arXiv提交预印本《SpaceCache：面向点云流的中间特征复用高效语义分割》。论文关注自动驾驶和机器人视觉中的点云流处理：相邻帧通常包含大量重叠空间区域，但现有分割网络往往对每一帧重新计算，造成重复开销。论文摘要
SpaceCache的核心做法是不重新训练模型，而是在点云Transformer的中间阶段建立特征缓存。对于此前已经观测、且特征仍具有较高可信度的空间区域，系统跳过部分Transformer模块，直接复用缓存特征；只有新增或发生变化的点继续计算，随后恢复完整令牌布局以完成密集预测。为降低缓存失效风险，方法限制缓存条目的存续时间，并淘汰低置信度条目。
论文报告称，在nuScenes、Waymo和ScanNet等室外及室内基准上，使用Utonia和LitePT-B两种骨干网络时，SpaceCache最高可达到1.65倍加速，同时平均交并比下降少于1个百分点，并持续优于部分令牌合并方法。需要注意的是，这些结果来自论文作者在特定数据集、模型和实验设置下的报告，尚未等同于所有自动驾驶或机器人部署场景中的实际收益。
这项工作的价值在于把点云视觉加速的切入点从“压缩当前帧”转向“利用连续帧之间的时空冗余”。如果场景变化较慢，缓存可以减少重复的深层特征计算；但在动态目标密集、传感器位姿变化明显或缓存更新不及时的情况下，旧特征可能失效，进而影响分割结果。后续评估应重点观察不同运动速度、遮挡程度和传感器噪声下的精度—延迟权衡，并核查其在真实车载算力和功耗约束下的表现。
事件及资料日期：论文预印本提交日期为2026年10月15日；截至2026年10月19日，未核实其已正式发表或完成独立复现。
资料来源：arXiv《SpaceCache: Intermediate Feature Reuse for Efficient Semantic Segmentation on Point Cloud Streams》，发布日期：2026-10-15。
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。
