Wir stellen den Similarity Group Proposal Network (SGPN) vor, einen einfachen und intuitiven Deep-Learning-Framework für die 3D-Objekt-Instanzsegmentierung auf Punktwolken. Der SGPN verwendet ein einziges Netzwerk, um Punktgruppierungs-Vorschläge und die zugehörige semantische Klasse für jeden Vorschlag vorherzusagen, aus denen sich die Instanzsegmentierungsergebnisse direkt ableiten lassen. Entscheidend für die Wirksamkeit des SGPN ist seine neuartige Darstellung der 3D-Instanzsegmentierungsergebnisse in Form einer Ähnlichkeitsmatrix, die die Ähnlichkeit zwischen jeweils zwei Punkten im eingebetteten Merkmalsraum angibt und somit für jeden Punkt einen präzisen Gruppierungsvorschlag generiert. Soweit uns bekannt ist, stellt der SGPN den ersten Framework dar, der 3D-instanzbewusste semantische Segmentierung auf Punktwolken lernt. Experimentelle Ergebnisse auf verschiedenen 3D-Szenen belegen die Effektivität unserer Methode für die 3D-Instanzsegmentierung, und wir bewerten zudem die Fähigkeit des SGPN, die Ergebnisse von 3D-Objektdetektion und semantischer Segmentierung zu verbessern. Darüber hinaus zeigen wir die Flexibilität des Ansatzes, indem wir 2D-CNN-Merkmale nahtlos in das Framework integrieren, um die Leistung weiter zu steigern.