私たちは、セマンティックセグメンテーションとインスタンスセグメンテーションの両方のタスクを同時に行う新しい3DポイントクラウドセグメンテーションフレームワークであるSASOを提案します。セマンティックセグメンテーションタスクにおいては、空間的な文脈における物体間の固有の相関関係に着想を得て、マルチスケールセマンティックアソシエーション（MSA）モジュールを提案し、セマンティックコンテキスト情報の構築効果を探求します。インスタンスセグメンテーションタスクについては、従来の研究が推論プロシージャでのみクラスタリングを利用していたのとは異なり、サリエンスポイントクラスタリング最適化（SPCO）モジュールを提案し、訓練プロセスにクラスタリングプロシージャを導入することでネットワークが識別が難しい点に注目するように促します。さらに、屋内シーンの固有の構造により、カテゴリ分布の不均衡問題はほとんど考慮されていませんが、3Dシーン認識の性能を著しく制限しています。この課題に対処するために、適応型ウォーターフィリングサンプリング（WFS）アルゴリズムを導入し、訓練データのカテゴリ分布をバランスよく調整します。広範な実験結果から、当方法はベンチマークデータセットにおいて両方のタスクで最先端手法を超える性能を示していることが確認されました。