본 논문에서는 6-DoF 그립 탐지에서 척도 불균형(scale imbalance)이 존재하는 상황에서의 특징 학습 문제에 초점을 맞추고, 특히 소규모 샘플 처리의 어려움을 해결하기 위한 새로운 접근법을 제안한다. 다중 척도 실린더 그룹화(Multi-scale Cylinder Grouping, MsCG) 모듈을 도입하여 다중 척도 실린더 특징과 전역적 맥락을 통합함으로써 국소적 기하 구조 표현을 강화한다. 또한, 척도 균형 학습(Scale Balanced Learning, SBL) 손실 함수와 물체 균형 샘플링(Object Balanced Sampling, OBS) 전략을 설계하였으며, SBL은 사전 가중치를 통해 저빈도 척도를 가진 샘플의 기울기를 증대시키고, OBS는 보조 세그멘테이션 네트워크를 활용하여 소규모 물체에 대해 더 많은 점을 캡처함으로써 학습 단계에서의 척도 분포 불균형의 영향을 완화한다. 이러한 기법들은 각각 학습과 추론 단계에서 그립 척도의 비균형 분포에 미치는 영향을 완화한다. 더불어, 노이즈-클린 믹스(Noisy-clean Mix, NcM) 데이터 증강 기법을 도입하여 학습을 촉진하며, 인스턴스 수준에서 합성 환경과 실제 환경의 도메인 간 격차를 효율적으로 줄이기 위해 두 환경의 데이터를 혼합한 더 많은 학습 데이터를 생성한다. GraspNet-1Billion 벤치마크에서 실시한 광범위한 실험 결과, 소규모 사례에서 뚜렷한 성능 향상과 경쟁력 있는 성과를 달성하였다. 또한, 실제 환경에서의 그립 성능은 제안한 방법의 우수한 일반화 능력을 입증한다. 본 연구의 코드는 https://github.com/mahaoxiang822/Scale-Balanced-Grasp 에서 공개되어 있다.