3D实例分割旨在预测场景中的物体实例，并将其表示为带有相应语义标签的二值前景掩码。然而，物体实例在形状和类别上具有高度多样性，而点云通常具有稀疏性、无序性和不规则性，这导致了查询采样的困境。此外，噪声背景查询会干扰场景的准确感知，影响实例分割的精度。为解决上述问题，我们提出了一种名为QueryFormer的查询优化Transformer模型。其核心思想在于设计一个查询初始化模块，以实现高覆盖度、低重复率的查询分布初始化。同时，我们构建了一个关联的Transformer解码器，能够抑制噪声背景查询的干扰，引导前景查询聚焦于实例的判别性区域，从而获得最终的分割结果。在ScanNetV2和S3DIS数据集上的大量实验表明，QueryFormer在性能上超越了当前最先进的3D实例分割方法。