摘要
现有的树木点云叶木分割方法在不同森林类型和地点的准确性差异较大。自监督学习（SSL）在点云上的应用已提升了深度学习模型在林业点云任务中的泛化能力，包括生物量回归和单棵树分割，但其在叶木分割中的适用性尚未得到验证。
本研究对广泛使用的点云自监督架构Point-M2AE进行了预训练，数据集为ShapeNet-55，增强数据包含2400个单棵树点云。在微调和推理阶段，我们采用递归体素细分方法来处理输入点密度的广泛变化，使同一模型能够在单棵树和样地尺度上运行，无需改变架构。
与未预训练的模型相比，预训练模型在针叶树的木材IoU从60.5%提升至70.0%，而阔叶树则从69.7%提升至76.3%。在涵盖三个气候区、四个国家的基准测试中，预训练模型在比较方法（LeWos、CWLS和PointTransformer）中实现了最小的跨站点变异性和最高的整体性能。样地级别的分割保持了与单棵树性能相当的准确性，阔叶样地的mIoU为84.7%，针叶样地为77.7%，显示模型在不同尺度间的泛化能力，无需额外微调。
作为在热带森林中的下游测试，我们将模型和定量结构模型应用于估算来自圭亚那、印度尼西亚和秘鲁的28棵树的木材体积，以评估SSL预训练带来的分割改进是否转化为下游性能提升。最终的体积估计在所有测试方法中实现了最低的误差（MAE = 2.40 m$^3$），不到算法基线的一半（LeWos: 5.94 m$^3$；CWLS: 5.27 m$^3$）。
博主点评： 本研究通过自监督学习在点云领域的应用，成功提升了叶木分割的鲁棒性，尤其是在不同森林环境中的表现显著。预训练策略的有效性为后续森林资源监测提供了新的思路，值得进一步探索其在其他生态系统的适用性。