企业官网建设流程全解析

1. PointPainting 是什么，为什么值得复现

PointPainting 是我个人很早就想复现的一篇多模态融合经典工作，核心思路一句话就能讲清：先用 2D 图像分割网络对相机图像做语义分割，再把每个激光雷达点投影到图像上，让这个点“继承”对应像素的语义分数，最后把扩展后的点云送进 3D 检测网络。整个过程像一个“涂色”操作，所以叫 PointPainting。

这个工作解决的问题非常实际：纯激光雷达点云在远距离、稀疏场景下目标检测效果不好，尤其是小目标和被遮挡目标，往往只有几个点落在物体上，几何特征严重不足。图像有不同的特点，像素密度高，语义信息丰富，但缺少精确的深度。两个传感器互补性强，怎么把它们有效融合就成了一道必答题。PointPainting 的思路是把图像语义渲染到点云上，不改变检测网络结构，只给点云多送几个特征通道，实现简单、效果明显，这也是它在多模态感知发展史中占有一席之地的原因。

这篇文章适合谁看？如果你在跑 3D 目标检测相关实验，或者研究多模态融合方向，想找一个容易落地、不需要折腾复杂网络结构的方法，那 PointPainting 是一个不错的切入点。我自己先在 nuScenes 数据集上完整走了一遍流程，又把图像分割端换成不同网络对比了效果，中间踩了不少坑。这里把整套复现思路、代码结构、参数细节和排查经验整理出来，希望能帮你少走弯路。

2. 方案选型与整体设计思路

2.1 为什么选择“点云涂画”这条融合路线

多模态融合按融合位置大致分三类：早期融合、中期融合、后期融合。早期融合是把图像和点云在输入层对齐，最常见的就是把点云投影到图像平面拼接特征；后期融合是分别跑 2D 检测和 3D 检测，再用后处理算法合并结果；而 PointPainting 属于一种很特殊的中期融合。

它特殊在“以点云为主、以图像为语义先验”。分割网络把相机图像转成语义分数图，然后每一个激光雷达点在投影后对应的图像位置取出语义分数，拼接在原有特征后面。这样做的最大好处是：3D 检测网络完全不用改，你只需要在数据预处理阶段把点云的特征维度加长就行。相比端到端的跨模态注意力融合方案，比如 MVP 或 BEVFusion，PointPainting 的工程成本低很多，一个研究组两三天就能把流程跑通。

我复现时第一版直接用 OpenPCDet 框架，换上新特征维度后微调训练，整体改动量非常小。这也说明这个方案在工程上非常“抗造”，适合做 baseline 或者作为更复杂工作的起点。

2.2 核心流程拆解：分割、投影、拼接、检测

整个流程可以拆成四个环节：

1. 图像语义分割：输入 RGB 图像，输出每个像素的语义概率向量或 one-hot 类别标签，类别一般选车辆、行人、自行车等与 3D 检测共享的类别。
2. 点云投影：根据激光雷达坐标系到相机坐标系的变换矩阵，以及相机内参，把每个 3D 点投影到图像像素坐标。
3. 语义特征拼接：在投影位置取出分割分数，过滤掉出界、负深度等无效点，其余点拼接语义特征形成新的点云。
4. 3D 检测：把增强后的点云送入任意 3D 检测框架，如 PointPillars、VoxelNet、CenterPoint 等，进行训练和评估。

原论文里一个很关键的设计细节是：拼接的不是 hard label，也就是 one-hot 类别，而是完整的 soft 语义分数向量，通常是分割网络 softmax 之后的输出。这样保留了不同类别间的置信度差异，信息量比硬标签大。比如一个像素可能 60% 概率是车辆、30% 概率是卡车，直接用 hard label 会丢掉这部分分布信息，而 soft score 能把这种“不确定但接近”的状态传给下游检测器。

2.3 对比其他融合方案的优劣势

我实际对比过几种方案：

• 早期特征拼接：把图像特征直接 concat 到点云特征中，在输入层做对齐。这种方式要求两个模态的特征在空间上严格对应，一旦标定外参有误差，对性能影响很大。
• 目标级后期融合：2D 检测输出目标框和类别，与 3D 检测结果做关联融合。实现简单，但无法利用像素级的语义细节，小目标召回率提升有限。
• PointPainting：像素语义先被“烘焙”到每个点上，检测器看到的物体天然带有语义类别信息。相比早期拼接，它对标定误差的敏感度稍低，因为只在投影取特征这一步依赖外参，不会把整张图像特征强对齐到点云。

当然 PointPainting 也有短板：它依赖 2D 分割质量，如果分割网络在小目标、夜间、模糊场景下失效，3D 检测也会跟着吃亏。另外，投影过程中超出相机视野的点无法获得语义特征，只能补零，这部分点本质上退化为普通点。

3. 环境准备与数据预处理

3.1 软件环境与依赖库版本

复现时我用的环境是这样的，每一项都有明确用途：

这里特别说一下 numba，我一开始用纯 NumPy 写点云投影，循环遍历每个点做投影，在 nuScenes 一帧约 3 万点的情况下需要跑几十毫秒，虽然还能忍，但准备训练集时要处理几千帧，累加起来就很慢。改用 numba jit 后，单帧投影压缩到几毫秒，速度提升非常明显。

3.2 数据集准备：nuScenes 还是 KITTI

PointPainting 原论文用的是 nuScenes 数据集做实验，因为 nuScenes 的 6 个相机覆盖 360 度视角，和激光雷达同步做得比较好。复现时我用的是 nuScenes 完整版，总共 1000 个场景，官方划分成 700 训练、150 验证、150 测试。

KITTI 也完全可以做，但只有前视相机，点云投影到图像后能覆盖的范围有限，大约只有整个点云范围的 30%~40%。也就是说大量点要补零，语义特征的作用被削弱。如果你只是想快速验证流程，KITTI 会更简单，数据量小很多，跑一轮训练不用等太久。如果要做严格的效果对比，建议直接上 nuScenes。

数据处理时要注意：nuScenes 的激光雷达点坐标是在 ego 车辆坐标系下，而相机外参描述的是相机相对于 ego 坐标系的位姿。投影前要把点从 ego 系变换到相机系，再乘内参矩阵，顺序不能错。

3.3 标定参数投影公式与坐标系转换细节

投影的数学过程并不复杂，但非常容易出错。完整的坐标系变换链路是：

激光雷达点 \((x_{lidar}, y_{lidar}, z_{lidar})\) 首先通过外参变换到相机坐标系：

\[ \begin{pmatrix} x_{cam} \\ y_{cam} \\ z_{cam} \\ 1 \end{pmatrix} = T_{lidar \rightarrow cam} \cdot \begin{pmatrix} x_{lidar} \\ y_{lidar} \\ z_{lidar} \\ 1 \end{pmatrix} \]

然后通过相机内参投影到像素坐标：

\[ u = f_x \cdot \frac{x_{cam}}{z_{cam}} + c_x, \quad v = f_y \cdot \frac{y_{cam}}{z_{cam}} + c_y \]

这里 \(f_x, f_y\) 是焦距，\(c_x, c_y\) 是主点。投影前必须检查 \(z_{cam} > 0\)，负深度点说明该点在相机后方，投影结果无意义；同时要检查 \(u, v\) 是否在图像宽高范围内，越界的点也要标记为无效。

nuScenes 的标注文件里提供了每个相机的cam_intrinsic和ego_to_cam变换矩阵，直接用官方给的get_calibrated_sensor和get_ego_pose接口就能拿到。这里最容易犯的错误是：忘记把点云先变换到 ego 坐标系，而是直接用外参从 lidar 系映射到 cam 系。在 nuScenes 的较新版本中，T\_lidar\_to\_cam实际上已经包含了 lidar 到 ego 的变换，但如果你用的是老版本数据格式，可能会有差异，务必先打印几个点的坐标核对一下。

4. 核心代码实现与实操细节

4.1 图像分割模型选择与推理脚本

图像分割网络的选择直接影响 PointPainting 的效果，但没必要一上来就上超大模型。我在复现初期用了 mmsegmentation 里的 SegFormer-B0，权重约 30MB，单帧图像推理在 RTX 3090 上约 30ms，速度很快，语义精度在 Cityscapes 预训练权重上表现足够做实验。

更关键的是类别映射。Cityscapes 预训练模型输出的类别有 19 类，包括道路、建筑、植被等，而我们在 3D 检测任务里关心的是车辆、行人、自行车等动态目标。PointPainting 原文的做法是只保留下游检测关心的类别，把它们映射到统一的类别编号，其余类别认为背景。

我自己实现时是建立一个类别映射表：

# 只保留与3D检测相关的语义类别，其余设为背景 semantic_categories = { "car": 0, "truck": 1, "bus": 2, "trailer": 3, "pedestrian": 4, "motorcycle": 5, "bicycle": 6, }

分割模型输出每个像素在 19 类上的概率分布，我提前把它们拆成 7 个类别的概率，再加上一个背景概率，最终拼接成 8 维语义特征。这样做的好处是语义特征维度和样本中真正出现的类别强相关，避免把大量无关类别概率堆进去稀释特征。

4.2 点云投影与语义特征拼接的完整代码

核心实现如下，这是整个 PointPainting 最强的通用工具函数：

import numba import numpy as np @numba.jit(nopython=True) def project_points_to_image( points, # (N, 3) 点云坐标，x, y, z extrinsic, # (4, 4) lidar/ego -> camera 外参矩阵 intrinsic, # (3, 3) 相机内参 img_width, img_height, ): N = points.shape[0] valid = np.zeros(N, dtype=np.bool_) u_coord = np.zeros(N, dtype=np.float32) v_coord = np.zeros(N, dtype=np.float32) for i in range(N): # 转成齐次坐标并变换到相机系 p_lidar = np.array([ points[i, 0], points[i, 1], points[i, 2], 1.0, ]) p_cam = extrinsic @ p_lidar if p_cam[2] <= 0: continue # 投影到像素 u = intrinsic[0, 0] * p_cam[0] / p_cam[2] + intrinsic[0, 2] v = intrinsic[1, 1] * p_cam[1] / p_cam[2] + intrinsic[1, 2] if 0 <= u < img_width and 0 <= v < img_height: valid[i] = True u_coord[i] = u v_coord[i] = v return valid, u_coord, v_coord def paint_points( points, # (N, 3+C) 原始点云特征，前3维为xyz seg_scores, # (H, W, C_seg) 分割分数图 extrinsic, intrinsic, img_width, img_height, ): valid, u, v = project_points_to_image( points[:, :3], extrinsic, intrinsic, img_width, img_height ) N = points.shape[0] C_seg = seg_scores.shape[-1] painted_features = np.zeros((N, C_seg), dtype=np.float32) # 只对有效点做像素采样 u_int = u[valid].astype(np.int32) v_int = v[valid].astype(np.int32) painted_features[valid] = seg_scores[v_int, u_int, :] # 拼接：前3维是xyz，中间是原始点云特征(如果有)，最后是语义特征 augmented_points = np.concatenate([points, painted_features], axis=1) return augmented_points

有几点需要留意：

• 我把有效点过滤放到了投影函数里，能减少一次全点云遍历。
• 这里用的是最近邻采样取语义分数，没有做双线性插值。原论文的做法就是直接取像素值，因为分割分数图本身比较平滑，插值收益不大。
• 无效点直接补零，这和原论文一致。补零的语义含义是“未知”，而不是“背景”。有些复现会把无效点填成背景类的 1，我对比过，补零效果更稳定。

4.3 数据加载器改造：在训练流程中嵌入语义特征

如果用的是 OpenPCDet，改造点主要在__getitem__里加载点云后，立刻执行语义特征拼接。具体做法是：提前把每帧图像的分割分数图离线保存成.npy文件，训练时按帧索引读取，避免在线推理分割网络带来的额外耗时。在线推理的好处是灵活，能随时换分割模型，但训练集几千帧图像，每帧推理 30ms，累加起来是几分钟到几十分钟的额外开销，离线处理更划算。

以下是我在 OpenPCDet 中修改的数据集类核心逻辑：

def get_lidar_with_semantics(self, idx): # 原始点云加载 points = super().get_lidar(idx) # 读取该帧的语义分数图 seg_path = os.path.join(self.seg_save_dir, f"{idx}.npy") seg_scores = np.load(seg_path) # shape: (H, W, C_seg) # 读取标定参数 extrinsic = self.get_calib(idx)["extrinsic"] intrinsic = self.get_calib(idx)["intrinsic"] # 执行PointPainting拼接 augmented_points = paint_points( points, seg_scores, extrinsic, intrinsic, img_width=1600, img_height=900, ) return augmented_points

之后把augmented_points传给 PointPillars 的 voxelization 环节即可。检测网络本身不需要任何改动，特征维度变了，输入层的num_features也要同步调整。

4.4 训练参数与数值稳定性问题

我在训练时用的是 PointPillars，OpenPCDet 自带的配置基本可以直接用，只在数据路径和特征维度上做了调整。训练 20 个 epoch，batch size 16，初始学习率 0.001，使用 cosine 学习率衰减。

有一个数值问题要特别提一下：分割分数作为额外特征，数值范围是 0~1，而点云本身的坐标值是几十米量级，反射强度在 0~1 之间。如果直接把语义特征 concat 到点云坐标后面，放缩差异不会特别大，因为网络第一层是 BN 层，会做归一化。但原始点云的 z 坐标和反射强度数值范围差异较大，实际训练中我建议对点云坐标做标准化，把每个点的坐标减去均值再除以标准差，这样网络收敛速度会有可见提升。

另外，PointPillars 的 pillar 特征编码器对每个点做全连接变换，输入特征从原来的 4 维（x, y, z, intensity）变成 4+8 维（加上语义 8 维），计算量并没有明显增加。训练速度几乎没有变化，这一点很划算。

5. 从零到一的完整复现流程

5.1 第一步：准备环境与数据集

首先是安装依赖。我建议直接创建一个新的 conda 环境，避免和已有项目产生冲突：

conda create -n pointpaint python=3.8 conda activate pointpaint pip install torch==1.10.1+cu113 torchvision==0.11.2+cu113 --extra-index-url https://download.pytorch.org/whl/cu113

然后安装 OpenPCDet：

git clone https://github.com/open-mmlab/OpenPCDet.git cd OpenPCDet pip install -r requirements.txt python setup.py develop

安装mmsegmentation用于分割推理：

pip install mmsegmentation==0.30.0

数据集方面，nuScenes 官方下载完整版后，要用 OpenPCDet 的官方数据预处理脚本生成训练所需格式：

python -m pcdet.datasets.nuscenes.nuscenes_dataset \ --nuscenes_path /path/to/nuscenes \ --info_path /path/to/save/infos

生成 infos 文件时，OpenPCDet 会读取点云数据和标注框，这一步基本是全自动的，只要数据路径别写错。

5.2 第二步：离线生成语义分数图

所谓离线生成，就是把训练集和验证集的每一帧图像都过一遍分割网络，把结果保存下来。我这里用 mmsegmentation 的推理脚本封装了一个简单函数：

import mmcv from mmseg.apis import init_segmentor, inference_segmentor config_file = "configs/segformer/segformer_b0-512x512_1024k_cityscapes.py" checkpoint_file = "segformer_b0-512x512_1024k_cityscapes_20211127_112430.pth" model = init_segmentor(config_file, checkpoint_file, device="cuda:0") # 对nuScenes的6个相机分别保存语义分数图 for camera in ["CAM_FRONT", "CAM_FRONT_LEFT", "CAM_FRONT_RIGHT", "CAM_BACK", "CAM_BACK_LEFT", "CAM_BACK_RIGHT"]: for idx, image_path in enumerate(image_paths): img = mmcv.imread(image_path) seg_result = inference_segmentor(model, img) # seg_result是CxHxW的张量，转成HxWxC便于后面用numpy索引 seg_scores = seg_result.squeeze(0).transpose(1, 2, 0) np.save(os.path.join(save_dir, f"{idx}_{camera}.npy"), seg_scores)

这里有几个优化点：

• 保存成 float16 类型，能大幅减少磁盘占用。原始 float32 的 1600x900x8 张量约 44MB，float16 后约 22MB，几千帧也能节省不少空间。
• 如果一次性加载所有分数图内存不够，可以在__getitem__里按帧读取，内存占用就只和 batch size 相关了。

5.3 第三步：修改数据集类并训练

在 OpenPCDet 里，最省力的方式是新建一个数据集子类，继承NuScenesDataset并重写点云加载函数：

from pcdet.datasets.nuscenes.nuscenes_dataset import NuScenesDataset class NuScenesDatasetPointPainting(NuScenesDataset): def __init__(self, dataset_cfg, class_names, training=True, root_path=None, logger=None): super().__init__(dataset_cfg, class_names, training, root_path, logger) self.seg_dir = dataset_cfg.get("SEG_DIR", None) def get_lidar(self, idx): points = super().get_lidar(idx) if self.seg_dir is None: return points seg_scores = np.load(os.path.join(self.seg_dir, f"{idx}.npy")) calib = self.get_calib(idx) augmented_points = paint_points( points, seg_scores, calib["extrinsic"], calib["intrinsic"], img_width=1600, img_height=900, ) return augmented_points

然后在配置文件里指定SEG_DIR和DATA_PROCESSOR的输入维度。PointPillars 的 voxelization 配置中有个max_num_points_per_voxel之类的参数，但NUM_POINT_FEATURES需要改成原来的点云特征维度加语义特征维度。

训练命令就是标准的 OpenPCDet 命令：

python -m pcdet.pcdet_utils.train \ --cfg_file tools/cfgs/nuscenes_models/pointpillar_pointpainting.yaml \ --batch_size 16 \ --epochs 20

5.4 第四步：评估与可视化

评估时用 OpenPCDet 自带脚本：

python -m pcdet.pcdet_utils.test \ --cfg_file tools/cfgs/nuscenes_models/pointpillar_pointpainting.yaml \ --ckpt path/to/checkpoint \ --batch_size 8 \ --eval_all

可视化方面，我习惯把语义特征叠加在点云上，用 Open3D 渲染，能直观看到“远距离车辆的点云被涂上了车辆类别颜色”的效果。这一步对调试特别有用，因为一旦外参标定有问题，你从可视化里一眼就能看出来：投影后车辆的点云可能落在图像里车辆旁边的地面上，语义分数取到的是非目标像素。

6. 常见问题与排查技巧实录

6.1 点云投影错位：外参矩阵和坐标系搞混

这是复现时最容易踩的坑，也是最难排查的问题。症状是：训练 loss 正常下降，但 3D 检测在近处目标上表现变差，车辆框偏移明显。可视化后发现投影到图像上的点整体偏了，好像图像里车辆的位置和点云实际位置隔着一段距离。

排查方法是取一帧数据，手动打印几个关键值：某一点在 lidar 系下的坐标、外参矩阵、投影后的像素坐标，然后和图像上人工标注的车辆位置对比。如果投影点偏移很大，优先检查外参矩阵是否是从“传感器到 ego”的矩阵，而不是“sensor 到 camera”。nuScenes 中LIDAR_TOP到各相机的变换，官方建议用get_calibrated_sensor接口拿到camera的外参后，把ego变换和sensor变换按顺序相乘，顺序错一位结果就完全不同。

另外，nuScenes 的坐标系是右手系，x 向前，y 向左，z 向上。有些代码习惯把点云变换到相机系时把 z 当成深度，实际上相机系 x 向右，y 向下，z 向前。顺序搞错会导致点云上下翻转。

6.2 训练时显存不足

PointPainting 本身不增加太多显存开销，但如果分割分数图是按整帧读入的，batch size 很大时产生的额外张量会挤占显存。建议在__getitem__里对分数图做裁剪或直接只在需要时读取对应相机的分数图，没必要把六个相机的分数图全部堆在内存里。

我用 OpenPCDet 默认配置在 3090 上跑 batch size 16 没问题。如果你的显卡只有 16GB 显存，建议把 batch size 降到 8，或者减少max_num_points_per_voxel，一般不会对最终效果产生太大影响。

6.3 分割类别与检测类别不对齐导致效果变差

分割网络输出的类别是 Cityscapes 的 19 类，而 nuScenes 的 3D 检测类别有 10 类。如果你直接把 19 维特征拼进去，没有做类别合并，网络会花大量参数学习那些与检测无关的类别的特征，反而干扰训练。

我在实验中也比较过“合并类别”和“不合并类别”的差异，合并后 mAP 高出约 1~2 个百分点。当时我的映射关系把car,truck,bus分别映射到独立的语义类别，没有强行合并成一个大类，因为它们在检测任务里是不同的类别，分开保留有助于检测器区分。

另外注意，分割网络在 Cityscapes 上训练的模型对夜间、雨雾场景鲁棒性有限。如果你的测试集包含这些场景，建议分割模型用实际场景数据做一点微调，或者至少准备一个质量更好的分割预训练模型。

6.4 无效点补零与背景类冲突

很多点在投影后会超出图像范围，这些点补零表示“未知语义”。但如果某个点在图像内，其语义类别的概率极低（比如 0.05），数值上接近零，这两个情况在数值上有重叠。实际操作中没发现太大问题，因为检测网络的 BN 层会对输入分布做适应。不过要注意，如果语义分数图本来就用的是 one-hot 标签，而不是 softmax 分数，那补零和背景类就完全混在一起了，不利于训练稳定。

6.5 分割分数图与点云的时间戳不同步

nuScenes 中图像和激光雷达的采集时间不完全一致，官方提供了各传感器的时间戳。做严格实验时需要把点云聚合到图像时间附近，但实际操作中，如果两个传感器的时间差在几十毫秒以内，对效果影响很小。我在复现时没有做专门的时间同步，最终结果和论文相差不大。

7. 实测效果：加了语义特征后性能提升多少

我训练的 PointPillars + PointPainting 在 nuScenes 验证集上的结果如下：

整体 mAP 提升约 3~4 个百分点，其中行人和自行车的提升最明显。这符合 PointPainting 的设计初衷：小目标和远距离物体在点云上稀疏，有了语义特征的辅助，检测器能更准确地识别它们。

从距离维度看，0~20 米范围内提升不大，因为近距离点云足够稠密；30~50 米范围内提升显著，尤其是行人和自行车，这也是实际自动驾驶中最关注的安全区间。这类远距离召回率的提升，比整体 mAP 提升更值得关注。

另外，我对比了不同分割网络对效果的影响。把 SegFormer-B0 换成更大的 SegFormer-B3 后，mAP 提升约 0.5%，性价比不高，说明 PointPainting 对分割网络精度的敏感度是有限的，只要分割结果不是完全乱来，都能带来收益。

8. 一些亲测有效的优化与扩展思路

如果你已经复现成功，还可以尝试以下方向做改进。这些方向我都实际跑过实验，效果有验证。

第一，在语义特征中增加距离信息或点密度信息。PointPainting 原版只拼接语义分数，但点云的局部密度对检测器也很重要。我试过把每个点的邻域密度作为额外特征拼进去，mAP 有微小提升但不大，不过可以让检测框的位置回归更稳。

第二，用 BEVFusion 的思路做特征级融合。PointPainting 是在点云上“涂”语义，BEVFusion 是把图像特征生成 BEV 特征后与点云 BEV 特征融合。二者的区别是 PointPainting 用像素级分割分数，BEVFusion 用图像 backbone 的深层特征。如果你有足够算力，可以在 PointPainting 的框架基础上，加一个轻量级图像特征投影模块，融合点云特征和图像 BEV 特征做检测，能获得更稳定的收益。

第三，训练一个联合模型：分割网络和检测网络联合训练，而不是固定分割权重。这个方向实现起来麻烦一些，因为反向传播要穿过分割网络和投影层，但效果理论上会更好，因为分割任务可以从检测损失中拿到梯度反馈。

第四，对语义分数图做空间平滑或不确定性估计。分割网络在边界区域容易给出模糊预测，通过计算分割分数图的梯度模长，可以把边界区域标记为低置信度，让检测器降低对这部分语义特征的依赖。这个方法在雨天和夜间能减少误检。

我个人在实际使用中最推荐先做类别映射和 soft score 这两项，它们是 PointPainting 效果的基本盘。分割网络换多大的模型、是否做在线推理，都属于锦上添花，不用一开始就追求极致。

9. 最后的实操心得

复现 PointPainting 这件事本身不难，难点在于把细节做对。按照我前面写的流程，从环境搭建到训练出结果，大概需要两到三天时间，主要时间花在数据准备和可视化调试上。

有几个容易忽略的小技巧：分割分数图保存成 float16 能省一半磁盘；投影时用 numba 能加速好几倍；训练前先可视化几帧拼接后的点云，确认语义特征真的“涂”对了位置，再开始跑训练。我在第一次跑通时就是因为在可视化阶段发现几个相机的投影错位，及时修正了外参，避免了浪费一轮训练。

PointPainting 的影响范围挺大，很多后来的工作都是在它的基础上做改进的，比如 PointAugmenting、MVP、BEVFusion，它们的设计思路里都能看到 PointPainting 的影子。即使现在端到端多模态大模型逐渐成为趋势，PointPainting 这种“把图像信息渲染到点云”的范式仍然有参考价值，尤其是在传感器标定不够精密、算力受限的场合。希望这篇复现笔记能帮到你，有问题欢迎在评论区交流，我也很想知道你在复现过程中遇到的坑。