近年来，机器人技术和增强现实领域中涌现出一系列具有前景的应用，推动了点云数据中三维物体检测的广泛关注。本文提出了一种开创性的全卷积无锚框室内三维物体检测方法——FCAF3D。该方法结构简洁而高效，采用体素（voxel）表示点云数据，并利用稀疏卷积对体素进行处理，仅需一次全卷积前向传播即可高效处理大规模场景，运行时延极低。现有三维物体检测方法通常对物体几何结构做出先验假设，我们指出此类假设限制了模型的泛化能力。为摆脱任何先验假设，本文提出一种新颖的定向边界框参数化方式，实现了完全基于数据驱动的性能提升。实验结果表明，该方法在ScanNet V2（mAP@0.5提升4.5）、SUN RGB-D（提升3.5）和S3DIS（提升20.5）三个基准数据集上均取得了当前最优的检测性能。相关代码与模型已开源，地址为：https://github.com/samsunglabs/fcaf3d。