في هذه الورقة، نركّز على مشكلة تعلّم الميزات في ظل عدم التوازن في الحجم بالنسبة لكشف الإمساك بست درجات من الحرية (6-DoF)، ونُقدّم نهجًا جديدًا يُركّز بشكل خاص على التغلب على الصعوبة الناتجة عن التعامل مع العينات الصغيرة الحجم. تمّ اقتراح وحدة تجميع الأسطوانات متعددة المقاييس (MsCG) لتعزيز تمثيل الهندسة المحلية من خلال دمج ميزات الأسطوانات متعددة المقاييس مع السياق العالمي. علاوةً على ذلك، تم تصميم دالة خسارة متوازنة حسب الحجم (SBL) واستراتيجية عينة متوازنة حسب الكائن (OBS)، حيث تُكبّر SBL معدلات التدرج للعينات التي تقع في تكرار منخفض من حيث الحجم من خلال أوزان مسبقة، في حين تُساعد OBS في التقاط عدد أكبر من النقاط على الكائنات الصغيرة الحجم بفضل شبكة تجزئة مساعدة. تخفّف هاتان الطريقة من تأثير التوزيع غير المتساوٍ لمقاييس الإمساك أثناء التدريب والانطلاق على التنبؤ على التوالي. بالإضافة إلى ذلك، تمّ تقديم تقنية تكبير البيانات (NcM) التي تدمج بين البيانات المُشَوَّهة والصافية (Noisy-clean Mix) لتسهيل عملية التدريب، بهدف تقليل الفجوة بين المجالات بين المشاهد المُصَنَّعة والمشاهد الحقيقية بطريقة فعّالة من خلال إنتاج بيانات أكثر تُدمج فيها المشاهد المُصَنَّعة والواقعية معًا على مستوى كل كائن. أُجريت تجارب واسعة على معيار GraspNet-1Billion، وأُحرزت نتائج تنافسية مع تحسينات ملحوظة في الحالات ذات الحجم الصغير. علاوةً على ذلك، أظهرت أداءً ممتازًا في مهام الإمساك في العالم الحقيقي، ما يُبرز قدرة التعميم الفعّالة للنموذج. يمكن الاطلاع على الكود الخاص بنا عبر الرابط التالي: https://github.com/mahaoxiang822/Scale-Balanced-Grasp.