3Dセマンティックセグメンテーションは、3Dシーンを理解する上で基盤的かつ重要な役割を果たしている。近年の最先端技術は、一般的な評価指標（例：mIoU、mAcc、oAcc）に基づく全体的な性能向上に主眼を置いているが、その一方で、セグメンテーションにおいて特に困難な領域の探求はほとんど無視されがちである。本論文では、より細分化された視点から3Dセマンティックセグメンテーションを見直し、広範な性能指標によって覆い隠されがちな微細な複雑性に光を当てる。具体的には、3Dセマンティックセグメンテーションの誤りを4つの包括的なカテゴリに分類し、それぞれに対応する評価指標を定義した。このカテゴリカルな枠組みを基盤として、セマンティック境界特徴の詳細な分析を組み込んだ新規な3Dセマンティックセグメンテーションネットワーク「BFANet」を提案する。まず、ポイントクラウド特徴をセマンティック特徴と境界特徴に分離する「境界-セマンティックモジュール」を設計し、クエリキューの融合によりアテンションを用いてセマンティック特徴を強化する。次に、最先端技術よりも3.9倍高速な、より簡潔かつ高速な境界擬似ラベル計算アルゴリズムを導入し、データ拡張との互換性を確保しつつ、トレーニングにおける効率的な計算を実現する。ベンチマークデータ上での広範な実験により、BFANetモデルの優位性が確認され、独自に設計された4つの指標の重要性が裏付けられた。コードは以下のURLで公開されている：https://github.com/weiguangzhao/BFANet。