大多数3D实例分割方法采用自底向上的策略，通常包含资源消耗较大的后处理步骤。在点云分组方面，自底向上的方法依赖于关于物体的先验假设，以超参数形式表达，这些超参数具有领域特定性，需进行精细调参。相比之下，本文提出TD3D：一种开创性的无聚类、全卷积且完全数据驱动的端到端训练方法，是首个在3D领域中性能超越自底向上方法的自顶向下方法。该方法具有简洁的处理流程，在标准室内基准数据集ScanNet v2、其扩展版本ScanNet200以及S3DIS上均展现出卓越的精度与泛化能力，同时在航拍数据集STPLS3D上也表现优异。此外，与当前最先进的基于分组的方法相比，本方法在推理速度上显著更快：其主干版本在保持更高精度的前提下，比最准确的自底向上方法快1.9倍；而更快速的变体则在实现当前最先进精度的同时，推理速度提升了2.6倍。代码已开源，地址为：https://github.com/SamsungLabs/td3d。