نقدّم طريقةً فعّالة للغاية لتقسيم البانوبتيك للسحاب النقطية ثلاثية الأبعاد الكبيرة من خلال إعادة تعريف هذه المهمة كمشكلة تجميع رسم بياني قابلة للتوسع. يمكن تدريب هذا النهج باستخدام مهام مساعدة محلية فقط، مما يُزيل خطوة مطابقة المثيلات المكلفة من حيث الموارد أثناء التدريب. علاوةً على ذلك، يمكن تعديل صيغتنا بسهولة لتتناسب مع نموذج السوبربويونت (superpoint)، مما يزيد من كفاءتها بشكل إضافي. وهذا يمكّن نموذجنا من معالجة المشاهد التي تحتوي على ملايين النقاط وآلاف الكائنات في عملية استنتاج واحدة. ويُعرف هذا الأسلوب باسم SuperCluster، ويحقق أداءً جديدًا على مستوى الحالة الحالية (state-of-the-art) في تقسيم البانوبتيك لبيانات المسح الداخلي، حيث بلغت نسبة PQ 50.1 (+7.8) على بيانات S3DIS Area~5، و58.7 PQ (+25.2) على بيانات ScanNetV2. كما نحن أول من يحقق أداءً جديدًا على مستوى الحالة الحالية لبيانات المسح المتنقلة على نطاق واسع: KITTI-360 وDALES. وباستخدام فقط 209,000 معلمة، يكون نموذجنا أصغر بمرات أكثر من 30 مقارنةً بأفضل منافس له، ويُدرّب بأسرع بـ 15 مرة. يمكن الوصول إلى الكود والنماذج المُدرّبة مسبقًا من خلال الرابط التالي: https://github.com/drprojects/superpoint_transformer.