In diesem Artikel konzentrieren wir uns auf das Problem des Merkmalslernens bei Skalenungleichgewicht bei der 6-DoF-Griffdetektion und stellen einen neuartigen Ansatz vor, der speziell die Schwierigkeit bei der Behandlung von kleinen Skalenproben adressiert. Wir führen ein Multi-scale Cylinder Grouping (MsCG)-Modul ein, das die lokale Geometrierepräsentation durch Kombination von Multi-Skala-Zylindermerkmalen und globalen Kontextinformationen verbessert. Darüber hinaus werden eine Scale Balanced Learning (SBL)-Verlustfunktion und eine Object Balanced Sampling (OBS)-Strategie entworfen: Die SBL-Verlustfunktion verstärkt die Gradienten von Proben mit geringer Frequenz in der Skalendistribution durch vorherige Gewichtung, während die OBS-Strategie mithilfe eines Hilfssegmentierungsnetzwerks mehr Punkte auf Objekten mit kleiner Skala erfasst. Beide Mechanismen reduzieren jeweils die Auswirkungen der ungleichmäßigen Verteilung der Griffskalen während des Trainings und der Inferenz. Zudem wird eine Noisy-clean Mix (NcM)-Datenaugmentation eingeführt, um das Training zu fördern und effizient die Domänenlücke zwischen synthetischen und echten Szenen zu überbrücken, indem instanzbasierte Daten erzeugt werden, die synthetische und reale Elemente mischen. Umfangreiche Experimente werden auf der GraspNet-1Billion-Benchmark durchgeführt, wobei konkurrenzfähige Ergebnisse erzielt werden, wobei insbesondere bei kleinen Skalen signifikante Verbesserungen erreicht werden. Zusätzlich unterstreicht die Leistung im realen Umfeld die Generalisierungsfähigkeit des Ansatzes. Der Quellcode ist unter https://github.com/mahaoxiang822/Scale-Balanced-Grasp verfügbar.