Bekannte state-of-the-art-Methoden zur 3D-Instance-Segmentation führen zunächst eine semantische Segmentierung durch, gefolgt von einem Gruppierungsprozess. Bei der semantischen Segmentierung werden harte Vorhersagen getroffen, wodurch jedem Punkt jeweils genau eine Klasse zugeordnet wird. Diese harten Entscheidungen führen jedoch zu Fehlern, die sich in der anschließenden Gruppierung fortsetzen und zu zwei Problemen führen: (1) geringe Überlappung zwischen den vorhergesagten Instanzen und den Ground-Truth-Instanzen sowie (2) eine hohe Anzahl an falsch positiven Ergebnissen. Um diese Probleme zu lösen, wird in diesem Artikel eine neue Methode zur 3D-Instance-Segmentation vorgestellt, die als SoftGroup bezeichnet wird. SoftGroup verfolgt einen bottom-up Ansatz mit weicher Gruppierung, gefolgt von einem top-down Refinement-Schritt. Durch die Möglichkeit, jedem Punkt mehrere Klassen zuzuordnen, wird die Auswirkung von Fehlern bei der semantischen Vorhersage gemildert, und durch die Fähigkeit, falsch positive Instanzen als Hintergrund zu klassifizieren, werden diese unterdrückt. Experimentelle Ergebnisse auf verschiedenen Datensätzen und mehreren Evaluationsmetriken belegen die Wirksamkeit von SoftGroup. Die Leistung übertrifft die des bisher stärksten Ansatzes mit einem signifikanten Abstand um +6,2 % auf dem versteckten Testset von ScanNet v2 und um +6,8 % auf S3DIS Area 5 bezogen auf AP_50. SoftGroup ist zudem schnell und erreicht eine Geschwindigkeit von 345 ms pro Scan bei Verwendung einer einzigen Titan X auf dem ScanNet v2-Datensatz. Der Quellcode und die trainierten Modelle für beide Datensätze sind unter \url{https://github.com/thangvubk/SoftGroup.git} verfügbar.