Nous introduisons une méthode hautement efficace pour la segmentation panoptique de nuages de points 3D volumineux, en reformulant cette tâche comme un problème de clustering de graphes évolutif. Cette approche peut être entraînée à l’aide uniquement de tâches auxiliaires locales, éliminant ainsi l’étape coûteuse en ressources d’appariement d’instances durant l’entraînement. En outre, notre formulation peut être facilement adaptée au paradigme des superpoints, augmentant encore davantage son efficacité. Cela permet à notre modèle de traiter des scènes comptant des millions de points et des milliers d’objets en une seule inférence. Notre méthode, nommée SuperCluster, atteint un nouveau record d’performance en segmentation panoptique sur deux jeux de données d’acquisition intérieure : 50,1 PQ (+7,8) sur S3DIS Area~5, et 58,7 PQ (+25,2) sur ScanNetV2. Nous établissons également le premier record d’efficacité sur deux benchmarks de cartographie mobile à grande échelle : KITTI-360 et DALES. Avec seulement 209 k paramètres, notre modèle est plus de 30 fois plus petit que la méthode concurrente la plus performante, et s’entraîne jusqu’à 15 fois plus rapidement. Notre code et nos modèles pré-entraînés sont disponibles à l’adresse suivante : https://github.com/drprojects/superpoint_transformer.