随着森林监测向可扩展、高精度的三维测量方向发展，自动化森林LiDAR点云实例分割的重要性日益凸显。然而，由于树实例标签的稀缺性，这一领域的进展受到严重制约。每公顷森林可能包含数百万个点和数百个重叠且复杂的树冠，这使得从原始数据手动标注成为一项既费时又容易出错的工作。当前的标注方式通常基于自动预分割结果进行人工修正，但这种方法仍然成本高昂，且缺乏交互式或AI辅助的精细化功能。受基础分割模型可提示范式的启发，研究人员提出了SelectAnyTree，这是一种可提示的实例分割模型，能够通过少量点击在3D森林点云中精确描绘出任意单棵树。
SelectAnyTree的核心创新包括两个关键组件：点击到查询的提示编码器（Click-to-query Prompt Encoder）和冠层高度模型（CHM）引导的首次提示。前者将每次用户点击转换为一个独立的内容查询，编码其3D位置和正/负极性，并与池化的局部骨干特征相结合。后者则在没有用户输入的情况下，利用几何和生态知识自动提供树梢作为首次提示，从而引导模型关注目标树冠。随后，提示查询通过一个状态空间查询解码器被解码为单个树掩码，该解码器以线性时间复杂度高效捕获大规模森林场景中的长距离上下文信息。
研究团队在七个不同森林区域和一个独立保留测试数据集上，对SelectAnyTree进行了交互式和实例级别的评估。实验结果充分展示了模型超越训练域的强泛化能力。单次点击即可分割目标树达到78.2的交并比（IoU），比最强的可提示基线高出24.8个百分点。此外，SelectAnyTree在达到每个精度目标时所需的点击次数最少，同时使用的参数数量和推理时间远少于先前的可提示模型。该模型的源代码已在GitHub上公开，供研究人员进一步使用和开发。
该模型的提出有望大幅降低森林点云标注的成本和难度，为森林生态监测、碳储量估算等应用提供高效的技术支撑。未来，团队计划进一步优化模型对异质森林类型的适应能力，并探索与无人机载LiDAR系统的集成。