本論文では、概念的に単純で完全に畳み込み型のアンカー・ボックスを用いない一発完了型インスタンスセグメンテーション手法について紹介します。この手法は、既存の検出方法に容易に組み込むことができ、インスタンスセグメンテーションのマスク予測モジュールとして利用可能です。当該手法をPolarMaskと呼び、極座標系におけるインスタンス中心分類と密集距離回帰の問題として定式化しています。さらに、高品質な中心例のサンプリングと密集距離回帰の最適化に関する2つの効果的なアプローチを提案しており、これらにより性能が大幅に向上し、学習過程が簡素化されます。特別な工夫なしに、PolarMaskはCOCOデータセット上で単一モデルおよび単一スケールでの訓練・テストにおいてマスクmAP（平均精度）32.9%を達成しました。初めて本研究では、より単純で柔軟なインスタンスセグメンテーションフレームワークが競争力のある精度を達成することを示しました。我々は、提案されたPolarMaskフレームワークが一発完了型インスタンスセグメンテーションタスクにおける基本的かつ強固なベースラインとなることを期待しています。コードは以下のURLから入手可能です: github.com/xieenze/PolarMask.