近日，团队题为《A Synthetic Data Generation Framework for Deep Learning-based LiDAR Forest Structure Analysis》的论文被国际期刊 Remote Sensing of Environment（RSE）正式录用。RSE 是遥感领域的国际权威期刊。

该论文针对森林点云深度学习研究中标注数据稀缺的问题，提出了一种全自动的合成数据生成框架，基于"数字孪生表亲"（Digital Cousins）与"仿真到现实"（Sim2Real）思想，可面向多种激光雷达平台生成多样化的森林样地点云数据。基于该框架，论文构建了 Boreal3D 数据集，包含 1,000 个森林样地、48,403 棵树、超过 353 亿个点，覆盖机载（ALS）、无人机（ULS）、移动（MLS）和地面（TLS）四种激光扫描平台，并为样本提供语义与实例标签、采集元数据以及胸径、冠幅、叶面积、材积等结构参数。据论文介绍，Boreal3D 是当前全球点数规模最大的全标注合成森林样地点云数据集。

实验表明，在 Boreal3D 上预训练的模型能够有效提升真实场景下的三维森林结构分析精度；仅使用 20% 的真实数据微调，即可达到与完整真实数据训练相当的性能，验证了合成数据预训练的高效性与迁移能力。论文第一作者为团队博士生刘晶。