本文提出了一种用于三维点云实例分割的新方法，称为高斯实例中心网络（Gaussian Instance Center Network, GICN）。该方法能够将场景中分散的实例中心分布近似为高斯中心热图，从而实现对实例中心的有效建模。基于预测得到的热图，可高效地筛选出少量中心候选点，用于后续的精细化预测，包括：i）预测每个中心对应的实例尺寸，以确定特征提取的范围；ii）为各中心生成边界框；iii）最终生成实例分割掩码。GICN是一种单阶段、无锚框（anchor-free）且端到端可训练的架构，具有训练简便、推理高效的特点。得益于基于中心引导且具备自适应实例尺寸选择的机制，该方法在ScanNet和S3DIS数据集上的三维实例分割任务中取得了当前最优（state-of-the-art）的性能表现。