Les méthodes d'instance segmentation 3D actuelles les plus avancées procèdent en deux étapes : segmentation sémantique suivie de regroupement. Lors de la segmentation sémantique, des prédictions rigides sont effectuées, chaque point étant associé à une seule classe. Toutefois, les erreurs provenant de ces décisions rigides se propagent au processus de regroupement, entraînant (1) des recouvrements faibles entre les instances prédites et les vérités terrain, et (2) un nombre important de faux positifs. Pour résoudre ces problèmes, ce papier propose une méthode d'instance segmentation 3D appelée SoftGroup, basée sur un regroupement doux (soft grouping) bottom-up suivi d'une révision top-down. SoftGroup permet à chaque point d’être associé à plusieurs classes, atténuant ainsi les effets des erreurs de prédiction sémantique, tout en supprimant les instances faussement positives grâce à l’apprentissage de leur classification comme fond (background). Les résultats expérimentaux sur diverses bases de données et plusieurs métriques d’évaluation démontrent l’efficacité de SoftGroup. Ses performances dépassent celles de la méthode la plus performante précédente d’un écart significatif de +6,2 % sur l’ensemble de test caché de ScanNet v2 et de +6,8 % sur S3DIS Area 5 en termes d’AP_50. SoftGroup est également rapide, fonctionnant à 345 ms par scan sur une seule Titan X sur la base ScanNet v2. Le code source et les modèles entraînés pour les deux bases de données sont disponibles à l’adresse suivante : \url{https://github.com/thangvubk/SoftGroup.git}.