点云实例分割在三维场景理解中具有至关重要的作用。当前主流的先进方法通常采用距离聚类策略，该方法虽在多数情况下表现良好，但在分割具有相同语义标签且相邻的物体时效果不佳（尤其是当这些物体共享邻近点时）。由于偏移点分布不均，现有方法难以对所有实例点进行有效聚类。为此，我们提出一种新颖的分而治之策略——PBNet，该方法通过二值化每个点并分别进行聚类，以实现实例分割。我们的二值聚类将偏移实例点划分为两类：高密度点（HPs）与低密度点（LPs）。通过移除低密度点，可清晰分离相邻物体，随后利用邻域投票机制将低密度点重新分配，完成并优化分割结果。为抑制潜在的过度分割问题，我们进一步提出基于每个实例的权重掩码构建局部场景。作为可插拔模块，该二值聚类方法可替代传统距离聚类，在多个主流基准模型上均带来一致的性能提升。在ScanNetV2和S3DIS数据集上的一系列实验验证了所提方法的优越性。特别地，PBNet在ScanNetV2官方基准挑战中排名第一，取得了最高的mAP指标。代码将公开发布于 https://github.com/weiguangzhao/PBNet。