실내 환경을 위한 기존 3D 객체 탐지 방법들은 주로 후보 영역을 생성하기 위해 투표-그룹화 전략을 따릅니다. 그러나 대부분의 방법은 공통적인 인스턴스 그룹화 방식(예: 볼 쿼리)을 사용하여 의미론적 정보의 일관성 부족과 후보 영역의 회귀 정확도 저하를 초래합니다. 이를 해결하기 위해, 우리는 실내 환경에서 앵커리스(one-stage) 3D 객체 탐지에 적합한 새로운 슈퍼포인트 그룹화 네트워크(Superpoint Grouping Network)를 제안합니다. 구체적으로, 먼저 원시 포인트 클라우드를 의미론적 일관성과 공간적 유사성을 갖는 영역인 슈퍼포인트로 무 supervision 방식으로 분할합니다. 그 후, 슈퍼포인트와 객체 중심 간의 공간적 관계를 제약함으로써 앵커리스 탐지에서 중심성(Centerness)에 적응하는 기하학적 인지 투표 모듈을 설계합니다. 다음으로, 후보 영역 내에서 일관된 표현을 탐색하기 위한 슈퍼포인트 기반의 그룹화 모듈을 제안합니다. 이 모듈은 인접한 슈퍼포인트 간의 특징 상호작용을 학습하는 슈퍼포인트 어텐션 레이어와 슈퍼포인트 수준의 정보를 복셀 수준으로 전파하는 슈퍼포인트-복셀 융합 레이어를 포함합니다. 마지막으로, 학습 과정에서 슈퍼포인트 기반 후보 영역의 동적 수용 영역을 효과적으로 활용하기 위해 다중 매칭 전략을 도입합니다. 실험 결과, 본 방법은 ScanNet V2, SUN RGB-D, S3DIS 데이터셋에서 실내 앵커리스 1단계 3D 객체 탐지 분야에서 최신 기준(SOTA) 성능을 달성함을 입증하였습니다. 소스 코드는 https://github.com/zyrant/SPGroup3D 에서 제공됩니다.