La segmentation d’instances sur les nuages de points est essentielle pour la compréhension des scènes 3D. La plupart des méthodes de pointe (SOTAs) adoptent une clustering basé sur la distance, une approche généralement efficace mais qui se révèle insuffisante pour segmenter des objets adjacents ayant la même étiquette sémantique (en particulier lorsqu’ils partagent des points voisins). En raison de la répartition inégale des points décalés, ces méthodes existantes peinent à regrouper tous les points appartenant à une même instance. Afin de remédier à ce problème, nous proposons une nouvelle stratégie de type « diviser pour régner », nommée PBNet, qui binaire chaque point et effectue le clustering séparément afin de segmenter les instances. Notre méthode de clustering binaire classe les points décalés appartenant à une même instance en deux catégories : points à haute densité (HPs) et points à basse densité (LPs). Les objets adjacents peuvent être clairement séparés en éliminant les LPs, puis complétés et affinés en attribuant les LPs via une méthode de vote par voisinage. Pour réduire le risque de sur-segmentation, nous proposons de construire des scènes locales à l’aide d’un masque de poids pour chaque instance. En tant que module plug-and-play, notre clustering binaire peut remplacer le clustering traditionnel basé sur la distance, entraînant des améliorations cohérentes sur de nombreuses architectures de référence. Des expériences sérieuses menées sur les jeux de données ScanNetV2 et S3DIS démontrent l’efficacité de notre modèle. En particulier, PBNet obtient la première place dans le défi officiel du benchmark ScanNetV2, atteignant le meilleur score mAP. Le code sera rendu disponible publiquement à l’adresse suivante : https://github.com/weiguangzhao/PBNet.