隨著森林監測向可擴充套件、高精度的三維測量方向發展，自動化森林LiDAR點雲例項分割的重要性日益凸顯。然而，由於樹例項標籤的稀缺性，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，這使得從原始資料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，且缺乏互動式或AI輔助的精細化功能。受基礎分割模型可提示正規化的啟發，研究人員提出了SelectAnyTree，這是一種可提示的例項分割模型，能夠透過少量點選在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元件：點選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。前者將每次使用者點選轉換為一個獨立的內容查詢，編碼其3D位置和正/負極性，並與池化的區域性骨幹特徵相結合。後者則在沒有使用者輸入的情況下，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，提示查詢透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資訊。
研究團隊在七個不同森林區域和一個獨立保留測試資料集上，對SelectAnyTree進行了互動式和例項級別的評估。實驗結果充分展示了模型超越訓練域的強泛化能力。單次點選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選次數最少，同時使用的引數數量和推理時間遠少於先前的可提示模型。該模型的原始碼已在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，團隊計劃進一步最佳化模型對異質森林型別的適應能力，並探索與無人機載LiDAR系統的整合。