تُعتمد معظم طرق التصنيف ثلاثية الأبعاد للInstances على استراتيجية من الأسفل إلى الأعلى، والتي تتضمن عادةً معالجة ما بعد استخراج الموارد. أما بالنسبة لتقسيم النقاط، فإن الطرق من الأسفل إلى الأعلى تعتمد على افتراضات مسبقة حول الكائنات على شكل معاملات فائقة (hyperparameters)، وهي معاملات محددة حسب المجال وتحتاج إلى ضبط دقيق. على النقيض من ذلك، نقدم طريقة TD3D: أول نهج مُجمّع خالٍ بالكامل، وقابل للتطبيق بالكامل باستخدام التحويلات التلافيفية (fully-convolutional)، ويعتمد بالكامل على البيانات، ويُدرّب بطريقة متكاملة من البداية إلى النهاية. هذه هي أول طريقة من الأعلى إلى الأسفل تتفوق في الأداء على الطرق من الأسفل إلى الأعلى في البيئة ثلاثية الأبعاد. وبفضل مسارها البسيط، تُظهر أداءً متميزًا من حيث الدقة والقدرة على التعميم على المعايير القياسية داخل الأماكن المغلقة: ScanNet v2 وتمديدها ScanNet200، وS3DIS، وكذلك على مجموعة بيانات الطيران الجوي STPLS3D. علاوة على ذلك، فإن طريقةنا أسرع بكثير في عملية الاستدلال مقارنة بالطرق الحالية المبنية على التجميع: حيث إن التعديل الرئيسي لدينا أسرع بنسبة 1.9 مرة من أدق طريقة من الأسفل إلى الأعلى، مع الحفاظ على دقة أعلى، بينما يُظهر التعديل الأسرع لدينا أداءً متميزًا من حيث الدقة مع تسارع بنسبة 2.6 مرة. يمكن الوصول إلى الشفرة من خلال الرابط التالي: https://github.com/SamsungLabs/td3d.