In diesem Paper stellen wir einen neuen Ansatz für die Instanzsegmentierung von Punktwolken vor. Unser Framework besteht aus zwei Schritten: einem Embedding-Schritt und einem Clustering-Schritt. Im Embedding-Schritt liegt unser Hauptbeitrag in der Einführung eines probabilistischen Embedding-Raums für Punktwolken. Konkret wird jeder Punkt als dreidimensionale Normalverteilung dargestellt. Im Clustering-Schritt schlagen wir eine neuartige Verlustfunktion vor, die sowohl der semantischen Segmentierung als auch dem Clustering zugutekommt. Unsere experimentellen Ergebnisse zeigen erhebliche Verbesserungen gegenüber der State-of-the-Art (SOTA), nämlich eine Steigerung der durchschnittlichen mAP pro Kategorie um 3,1 % auf dem PartNet-Datensatz.