現在の最先端3Dインスタンスセグメンテーション手法は、セマンティックセグメンテーションの後にグループ化処理を行う。このセマンティックセグメンテーションでは、各点が単一のクラスに割り当てられるハード予測が行われる。しかし、こうしたハード決定による誤りは、その後のグループ化プロセスに伝播し、（1）予測インスタンスと真値とのオーバーラップが低くなること、（2）多数の誤検出（ファルスポジティブ）が生じることを引き起こす。上記の問題に対処するために、本論文では「SoftGroup」と呼ばれる新しい3Dインスタンスセグメンテーション手法を提案する。SoftGroupは、下位から上位へのアプローチを採用し、まずソフトなグループ化を行い、その後にトップダウンによる精緻化を行う。このアプローチにより、各点が複数のクラスに属する可能性を許容することで、セマンティック予測の誤りに起因する問題を緩和し、誤検出インスタンスを背景クラスとして分類する能力を学習することで、それらの抑制を実現する。異なるデータセットおよび複数の評価指標を用いた実験により、SoftGroupの有効性が実証された。特に、ScanNet v2の隠しテストセットにおいて、従来の最強手法を+6.2%の大幅な差で上回り、S3DIS Area 5ではAP_50で+6.8%の向上を達成した。また、SoftGroupは高速であり、ScanNet v2データセットにおいて1スキャンあたり345msで処理が可能（単一のTitan Xで実行）である。本手法のソースコードおよび学習済みモデルは、\url{https://github.com/thangvubk/SoftGroup.git} にて公開されている。