ForestQuery: Boundary-Aware and Spatially Anchored Query Learning for Unified Forest Point Cloud Segmentation
作者: Zhihao Zhan, Le Tao, Yifei Tian, Xin Liu, Jie Yuan
分类: cs.CV, cs.AI
发布日期: 2026-10-02
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
提出ForestQuery以解决森林点云分割中的边界不确定性问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 森林点云分割 边界感知 空间锚定 查询学习 深度学习
📋 核心要点
- 现有的森林点云分割方法未能充分利用森林特有的空间结构，且对边界不确定性的处理不足，导致分割效果不理想。
- 本文提出的ForestQuery框架通过建模边界不确定性和引入空间锚点，增强了实例和语义查询的学习效果。
- 在多个森林点云基准和自收集的数据集上，ForestQuery在单棵树分割和语义分割任务中均表现出显著的性能提升。
📝 摘要（中文）
森林点云分割是细粒度3D森林场景理解的基础，但由于树木结构不规则、严重遮挡、密度变化和模糊的实例边界等因素，仍然面临挑战。近期的基于查询的森林分割方法在统一语义和实例预测方面展现出潜力，但未能充分利用森林特有的空间结构并考虑边界不确定性。本文提出了ForestQuery，一个边界感知和空间锚定的查询学习框架，旨在实现统一的森林点云分割。ForestQuery通过两种互补设计增强实例和语义查询学习，显式建模边界不确定性以指导可靠的实例查询构建，并通过自适应损失重加权调节查询优化。同时，空间锚定的语义查询增强引入可学习的3D锚点，编码森林垂直分层先验，以丰富语义查询的空间参考。我们在多个公共森林点云基准和自收集的真实世界数据集上评估了ForestQuery，实验结果表明在不同森林场景中，单棵树分割和语义分割均有显著提升。
🔬 方法详解
问题定义：本文旨在解决森林点云分割中的边界不确定性和空间结构利用不足的问题。现有方法在处理复杂的森林场景时，常常无法准确分割树木实例，导致分割效果不佳。
核心思路：ForestQuery通过显式建模边界不确定性来指导实例查询的构建，并通过空间锚定的语义查询增强来丰富查询信息，从而提高分割的准确性和可靠性。
技术框架：ForestQuery的整体架构包括两个主要模块：边界不确定性建模模块和空间锚定语义查询增强模块。前者负责优化实例查询的构建，后者则通过学习3D锚点来增强语义查询。
关键创新：最重要的创新在于引入了边界不确定性建模和空间锚定机制，这与现有方法的主要区别在于更好地考虑了森林特有的空间结构和实例边界的模糊性。
关键设计：在设计中，采用了自适应损失重加权策略来调节查询优化过程，并引入了可学习的3D锚点，以编码森林的垂直分层先验，从而提升查询的空间参考能力。
🖼️ 关键图片
📊 实验亮点
在实验中，ForestQuery在多个公共森林点云基准上表现出色，相较于基线方法，单棵树分割和语义分割的性能均有显著提升，具体提升幅度达到X%（具体数据待补充），验证了其有效性和实用性。
🎯 应用场景
该研究具有广泛的应用潜力，特别是在森林资源管理、生态监测和环境保护等领域。通过提高森林点云分割的准确性，能够更好地支持森林结构分析和生物多样性研究，进而为可持续发展提供数据支持。未来，该方法还可扩展到其他复杂场景的点云分割任务中。
📄 摘要（原文）
Forest point cloud segmentation is fundamental for fine-grained 3D forest scene understanding, yet remains challenging due to irregular tree structures, severe occlusions, density variations, and ambiguous instance boundaries. Recent query-based forest segmentation methods have shown promise for unified semantic and instance prediction, but they still insufficiently exploit forest-specific spatial structure and account for boundary uncertainty. In this paper, we propose ForestQuery, a boundary-aware and spatially anchored query learning framework for unified forest point cloud segmentation. ForestQuery enhances instance and semantic query learning through two complementary designs. Specifically, boundary uncertainty is explicitly modeled to guide reliable instance query construction and modulate query optimization through adaptive loss reweighting. Meanwhile, spatially anchored semantic query enhancement (SA-SQE) introduces learnable 3D anchors encoding forest vertical stratification priors to enrich semantic queries with explicit spatial references. We evaluate ForestQuery on multiple public forest point cloud benchmarks and a self-collected annotated real-world dataset. Extensive experiments demonstrate consistent improvements in both individual-tree segmentation and semantic segmentation across diverse forest scenes. Code and data are publicly available at https://zhan994.github.io/ForestQuery