粗到精3D实例分割方法在与最近的基于分组、基于核和基于Transformer的方法相比时表现出较弱的性能。我们认为这是由于两个限制：1）通过轴对齐边界框（AABB）导致的实例尺寸高估；2）从不准确的边界框到细化阶段的假阴性错误累积。在这项工作中，我们引入了一种新的基于球面表示的粗到精方法——球形掩模（Spherical Mask），该方法克服了上述两个限制并具有多项优势。具体而言，我们的粗检测模块通过中心点和径向距离预测来估计每个实例的3D多边形，从而避免了AABB带来的过度尺寸估计问题。为了减少现有粗到精方法中的误差传播，我们根据多边形虚拟迁移点，使得所有前景点（包括假阴性点）都能被细化。在推理过程中，提议模块和点迁移模块并行运行，并组合形成实例的二值掩模。我们还引入了两种基于边缘的损失函数来修正假阳性/假阴性点并增强前景点的一致性，显著提升了性能。来自ScanNetV2、S3DIS和STPLS3D三个数据集的实验结果表明，我们提出的方法优于现有的工作，展示了使用球面坐标的新实例表示的有效性。代码可在以下地址获取：https://github.com/yunshin/SphericalMask