Nous introduisons le Similarity Group Proposal Network (SGPN), un cadre d’apprentissage profond simple et intuitif pour la segmentation d’instances d’objets 3D sur des nuages de points. SGPN utilise un seul réseau pour prédire des propositions de regroupement de points ainsi que la classe sémantique correspondante pour chaque proposition, permettant ainsi d’extraire directement les résultats de segmentation d’instances. L’efficacité de SGPN repose notamment sur sa représentation originale des résultats de segmentation d’instances 3D sous la forme d’une matrice de similarité, qui indique la similarité entre chaque paire de points dans l’espace des caractéristiques intégrées, produisant ainsi une proposition de regroupement précise pour chaque point. À notre connaissance, SGPN est le premier cadre à apprendre la segmentation sémantique sensible aux instances 3D sur des nuages de points. Les résultats expérimentaux sur diverses scènes 3D démontrent l’efficacité de notre méthode pour la segmentation d’instances 3D, et nous évaluons également la capacité de SGPN à améliorer les performances de détection d’objets 3D et de segmentation sémantique. Nous illustrons également sa flexibilité en intégrant de manière transparente des caractéristiques issues de réseaux de convolution 2D dans le cadre afin d’améliorer les performances.