التحليل الثلاثي الأبعاد للInstances هو مهمة أساسية لفهم المشهد، ولها تطبيقات متنوعة في الروبوتات وواقع التوسع (AR/VR). ظهر مؤخرًا عدد كبير من الطرق التي لا تعتمد على اقتراحات (proposal-free) لهذه المهمة، والتي حققت نتائج مميزة وكفاءة عالية. ومع ذلك، تعتمد هذه الطرق بشكل كبير على الانحدار التكاملي للInstances، ولا تكتشف حدود الكائنات بشكل صريح، مما قد يؤدي إلى تجميع كائنات قريبة معًا في نفس المجموعة في بعض السيناريوهات. في هذه الورقة، نُعرّف مفهومًا جديدًا يُسمى "نقاء المنطقة" (regional purity)، والذي يُعرّف كنسبة النقاط المجاورة التي تنتمي إلى نفس الInstance داخل فضاء ثلاثي الأبعاد بشعاع ثابت. بشكل مُباشر، يُشير هذا المفهوم إلى احتمالية أن ينتمي نقطة ما إلى المنطقة الحدودية. لاختبار جدوى توقع نقاء المنطقة، قمنا بتصميم استراتيجية لبناء مجموعة بيانات تجريبية بسيطة (toy dataset) مبنية على بيانات التدريب الحالية. علاوة على ذلك، فإن استخدام البيانات التجريبية يُعد طريقة "مجانية" لتوسيع البيانات عند تعلُّم نقاء المنطقة، مما يُلغي الأعباء الناتجة عن الحاجة إلى بيانات حقيقية إضافية. نقترح شبكة مُوجهة بنقاء المنطقة (Regional Purity Guided Network - RPGN)، والتي تحتوي على فروع منفصلة لتنبؤ الفئة المعنى (semantic class)، ونقاء المنطقة، والانزياح (offset)، والحجم (size). وتُستخدم المعلومات المُتنبأ بها حول نقاء المنطقة لتوجيه خوارزمية التجميع. أظهرت النتائج التجريبية أن استخدام نقاء المنطقة يمكنه في آنٍ واحد منع مشكلتي التجزئة الزائدة (over-segmentation) والجزء غير الكافي (under-segmentation) أثناء عملية التجميع.