現在の3次元物体検出方法は、2次元検出器に大きく影響を受けている。2次元検出器のアーキテクチャを活用するために、これらの方法では通常、3次元点群データを規則的なグリッド（すなわち、ボクセルグリッドや鳥瞰図像）に変換するか、2次元画像での検出結果を利用して3次元バウンディングボックスを提案する。点群データで直接物体を検出しようとする研究は少ない。本研究では、基本原理に戻り、点群データ用の3次元検出パイプラインを構築し、できるだけ汎用的に設計することを目指した。しかし、データが疎であるという特性（3次元空間内の2次元多様体からのサンプル）により、シーンポイントから直接バウンディングボックスのパラメータを予測する際には大きな課題が存在する：3次元物体の重心は任意の表面ポイントから遠く離れていることがあり、一歩で正確に回帰するのが難しい。この課題に対処するために、我々はVoteNetを提案する。これは深層点集合ネットワークとHough投票のシナジーに基づいたエンドツーエンドの3次元物体検出ネットワークである。当モデルは単純な設計、コンパクトなモデルサイズ、高い効率性を持つにもかかわらず、実際の3次元スキャンの大規模データセットであるScanNetとSUN RGB-Dにおいて最先端の3次元検出性能を達成している。特に注目に値するのは、VoteNetが色画像に依存せずに純粋に幾何学的情報のみを使用して以前の手法を超えることである。