隨着森林監測向可擴展、高精度的三維測量方向發展，自動化森林LiDAR點雲實例分割的重要性日益凸顯。然而，由於樹實例標籤的稀缺性，這一領域的進展受到嚴重製約。每公頃森林可能包含數百萬個點和數百個重疊且複雜的樹冠，這使得從原始數據手動標註成為一項既費時又容易出錯的工作。當前的標註方式通常基於自動預分割結果進行人工修正，但這種方法仍然成本高昂，且缺乏交互式或AI輔助的精細化功能。受基礎分割模型可提示範式的啓發，研究人員提出了SelectAnyTree，這是一種可提示的實例分割模型，能夠通過少量點擊在3D森林點雲中精確描繪出任意單棵樹。
SelectAnyTree的核心創新包括兩個關鍵組件：點擊到查詢的提示編碼器（Click-to-query Prompt Encoder）和冠層高度模型（CHM）引導的首次提示。前者將每次用户點擊轉換為一個獨立的內容查詢，編碼其3D位置和正/負極性，並與池化的局部骨幹特徵相結合。後者則在沒有用户輸入的情況下，利用幾何和生態知識自動提供樹梢作為首次提示，從而引導模型關注目標樹冠。隨後，提示查詢通過一個狀態空間查詢解碼器被解碼為單個樹掩碼，該解碼器以線性時間複雜度高效捕獲大規模森林場景中的長距離上下文信息。
研究團隊在七個不同森林區域和一個獨立保留測試數據集上，對SelectAnyTree進行了交互式和實例級別的評估。實驗結果充分展示了模型超越訓練域的強泛化能力。單次點擊即可分割目標樹達到78.2的交併比（IoU），比最強的可提示基線高出24.8個百分點。此外，SelectAnyTree在達到每個精度目標時所需的點擊次數最少，同時使用的參數數量和推理時間遠少於先前的可提示模型。該模型的源代碼已在GitHub上公開，供研究人員進一步使用和開發。
該模型的提出有望大幅降低森林點雲標註的成本和難度，為森林生態監測、碳儲量估算等應用提供高效的技術支撐。未來，團隊計劃進一步優化模型對異質森林類型的適應能力，並探索與無人機載LiDAR系統的集成。