Cet article présente le problème de segmentation d'instances 3D à vocabulaire ouvert (OE-3DIS), qui permet une segmentation d'objets innovante sans noms de classe prédéfinis. Les méthodes existantes de segmentation d'instances 3D à vocabulaire ouvert (OV-3DIS) souffrent de la limitation liée à l'utilisation de noms de classe prédéfinis lors des tests ; OE-3DIS pallie cette limitation. Nous construisons un modèle de base robuste en exploitant l'approche OV-3DIS et un modèle de langage multimodal 2D à grande échelle, et évaluons ses performances à l'aide d'un nouveau score Open-Kind et d'un score AP standardisé, qui évaluent la qualité sémantique et géométrique des masques prédits et de leurs noms de classe associés. Sur les jeux de données ScanNet200 et ScanNet++, nous obtenons des performances significatives par rapport au modèle de base, et surpassons même la méthode OV-3DIS de pointe précédente, Open3DIS.
