ポイントクラウドにおける3Dオブジェクト検出は、3D視覚世界を理解するための多様な応用に貢献する挑戦的な視覚タスクである。近年の多くの研究では、エンドツーエンドで学習可能なハフ投票（Hough voting）を活用してオブジェクト候補を生成する手法に注目が集まっている。しかし、現在の投票戦略は、潜在的オブジェクトの表面から部分的な投票しか得られず、雑多な背景から発生する著しい外れ値（outlier）投票の影響を受けるため、入力ポイントクラウドから得られる情報の完全な活用が妨げられている。従来のハフ投票法におけるバックトラッキング（back-tracing）戦略に着想を得て、本研究では新たな3Dオブジェクト検出手法、Back-tracing Representative Points Network（BRNet）を提案する。BRNetは、投票中心点から代表点を生成的にバックトラッキングし、その生成された点の周辺に補完的なシード点を再訪問することで、原始的なポイントクラウドから潜在的オブジェクト周囲の微細な局所構造特徴をよりよく捉えることを可能にする。したがって、本手法が採用する「下位から上位へ」の戦略により、予測された投票中心点と原始的な表面点の間で相互に整合性が保たれ、より信頼性の高い柔軟なオブジェクト局所化および分類予測が実現される。BRNetは構造が単純ながらも効果的であり、大規模なポイントクラウドデータセットであるScanNet V2（[email protected]で+7.5%）およびSUN RGB-D（[email protected]で+4.7%）において、最先端手法を大きく上回る性能を達成しつつも、軽量かつ効率的な設計を維持している。コードはhttps://github.com/cheng052/BRNetにて公開される予定である。