Die 3D-Instanzsegmentierung ist eine zentrale Aufgabe für die Szenenverstehens, mit einer Vielzahl von Anwendungen in der Robotik und in AR/VR. In jüngster Zeit wurden zahlreiche proposalsfreie Methoden für diese Aufgabe vorgestellt, die beachtliche Ergebnisse und hohe Effizienz erzielen. Allerdings beruhen diese Methoden stark auf der Regression von Instanzzentroiden und detektieren objektspezifische Grenzen nicht explizit, wodurch sie in bestimmten Szenarien benachbarte Objekte fälschlicherweise in derselben Clustergruppe zusammenfassen können. In diesem Artikel führen wir einen neuen Begriff „regionale Reinheit“ ein, definiert als der Anteil benachbarter Punkte innerhalb eines festen Radius im 3D-Raum, die zur selben Instanz gehören. Intuitiv drückt diese Größe die Wahrscheinlichkeit aus, dass ein Punkt sich in einer Grenzregion befindet. Um die Machbarkeit der Vorhersage der regionalen Reinheit zu überprüfen, entwerfen wir eine Strategie zur Erstellung eines synthetischen, einfachen Szenen-Datensatzes basierend auf bestehenden Trainingsdaten. Darüber hinaus stellt die Nutzung solcher Spielzeugdaten eine „kostenlose“ Form der Datenverstärkung für das Lernen der regionalen Reinheit dar, da keine zusätzlichen realen Datensätze erforderlich sind. Wir stellen das Regional Purity Guided Network (RPGN) vor, das getrennte Zweige zur Vorhersage der semantischen Klasse, der regionalen Reinheit, des Verschiebungsvektors und der Objektgröße besitzt. Die vorhergesagten Informationen zur regionalen Reinheit werden zur Steuerung unseres Clustering-Algorithmus genutzt. Experimentelle Ergebnisse zeigen, dass die Nutzung der regionalen Reinheit gleichzeitig das Problem der Untersegmentierung und der Übersegmentierung im Clustering effektiv verhindern kann.