森林生态系统是陆地系统中最大的碳库，在全球碳循环和气候调节中起着关键作用（Mitchard, 2018）。作为森林生态系统的基础，准确量化树木对于生态系统服务评估（Fassnacht et al., 2016; Han et al., 2025）、生物多样性监测（Li et al., 2025a; Randin et al., 2020）和碳储量估计（Erb et al., 2018; Wang et al., 2025）至关重要。传统的森林清查主要依赖手动工具（如直径尺和测高仪）来获取基本树木参数，包括胸高直径（DBH）和高度。然而，由于测量技术、劳动力需求和设备成本的限制，传统方法在复杂地形和植被茂密的地区面临可访问性挑战，导致森林清查效率下降。光探测与测距（LiDAR）是一种主动遥感技术，通过激光脉冲捕获三维目标信息，在表征森林垂直结构方面具有独特优势（Lu et al., 2025）。在各种LiDAR平台中，无人机激光扫描（ULS）结合了灵活性和广泛的覆盖范围，在森林清查任务中表现出显著优势，包括单株树木分割（Deng et al., 2024）、树种识别（Gong et al., 2024）和参数估计（Caras et al., 2024）。
尽管ULS在各种森林清查任务中显示出巨大的潜力，但其有效性在结构复杂的森林中仍然有限。特别是在树冠密度高的森林中，下部树干经常被上层树冠和树叶遮挡。密集树冠对激光脉冲的强烈吸收和散射，加上有限的穿透性，导致下层植被中的信号衰减或丢失（Singh et al., 2015）。ULS获取的单株树木点云通常在树冠区域的点密度较高，但在树干区域的点密度显著较低，有时甚至完全缺失结构（Vandendaele et al., 2021）。树干和树冠的结构直接影响参数估计的准确性，包括树木体积、生物量、DBH和叶面积指数等。多项研究已经证明了不完整结构导致的误差（Beland et al., 2019; Kankare et al., 2013）。重要的是，结构缺失对不同森林属性的影响并不均匀。依赖于树干和树干-树冠过渡区几何连续性的参数，如树冠基高度（CBH）、DBH和树冠体积，对结构缺失特别敏感，而树木高度估计相对稳健（Panagiotidis et al., 2022）。鉴于地面激光扫描（TLS）在大面积森林清查中的可扩展性有限，对结构缺失的单株树木进行ULS点云补全对于提高单株树木参数估计的可靠性至关重要。
在林业研究中，解决单株树木点云结构不完整性的策略通常分为三类（Ge et al., 2024）：（1）多视图/多传感器融合方法通过加权融合和点云配准整合TLS和机载激光扫描（ALS）数据来重建树木结构（Dai et al., 2019; Tremblay and Béland, 2018）；（2）基于先验知识的建模方法使用预定义的树木模型来补偿缺失结构，通常依赖于几何匹配和异速生长原理（Xu et al., 2007; Zhang et al., 2014）；（3）基于种子点的方法通过检测代表性种子点并基于局部几何特征再生缺失区域来恢复缺失结构（Mei et al., 2017; Wang et al., 2014）。多视图/多传感器融合方法需要大量的时间和处理成本（Ge et al., 2024），而基于先验知识的技术受到获取全面树木模型的难度限制，基于种子点的方法则依赖于局部几何特征，这限制了其在细尺度重建方面的能力（Ge et al., 2024）。
随着计算机视觉的进步，点云补全技术已被广泛应用于推断缺失结构并实现稀疏表面的密集重建（Rong et al., 2024）。这些技术也可以直接用于单株树木点云的结构恢复。在计算机视觉领域，传统的点云补全方法主要利用几何特征，应用基于对称性的重建（Kroemer et al., 2012; Sarkar et al., 2017）、形状对齐（Pauly et al., 2005; Sarkar et al., 2017; Shen et al., 2012）和模板匹配（Cai et al., 2015; Sung et al., 2015）进行结构补全。然而，这些方法需要进一步改进才能有效处理复杂或不规则的结构。
3D点云深度学习的最新进展（Qi et al., 2017a）使得基于神经网络的方法能够成功应用于点云补全。这些方法通过数据驱动的神经网络将不完整的输入转换为完整结构，主要挑战在于从离散点云中实现高保真的形状补全。早期的方法，包括FoldingNet（Yang et al., 2018）和PCN（Yuan et al., 2018），使用基于折叠的解码器从二维（2D）网格表示重建任意点云。后续的进展，如L-GAN（Achlioptas et al., 2018）和RL-GAN-Net（Sarmad et al., 2019），结合了生成对抗网络（GAN）和补充技术，显著提高了补全精度。在特征提取方面，CRN（Wang et al., 2021）及其改进版本SCRN（Wang et al., 2021）利用图卷积架构有效捕获边缘特征和跨区域相关性。最近的创新，特别是PMP-Net（Wen et al., 2021）及其改进版本PMP-Net++（Wen et al., 2022），引入了迭代点移动过程来逐步细化点云。基于变压器的架构，如SnowflakeNet（Xiang et al., 2021）、SeedFormer（Zhou et al., 2022）和CRA-PCN（Rong et al., 2024），通过注意力机制显著改善了全局上下文建模。3DMambaComplete（Li et al., 2024）特别值得提及，它是第一个在点云特征编码过程中实现选择性状态空间机制的模型，这同时提高了模型的鲁棒性和泛化能力。
在林业应用中，解决单株树木点云结构不完整性的策略通常分为三类（Ge et al., 2024）：（1）多视图/多传感器融合方法通过加权融合和点云配准整合TLS和机载激光扫描（ALS）数据来重建树木结构（Dai et al., 2019; Tremblay and Béland, 2018）；（2）基于先验知识的建模方法使用预定义的树木模型来补偿缺失结构，通常依赖于几何匹配和异速生长原理（Xu et al., 2007; Zhang et al., 2014）；（3）基于种子点的方法通过检测代表性种子点并根据局部几何特征再生缺失区域来恢复缺失结构（Mei et al., 2017; Wang et al., 2014）。多视图/多传感器融合方法需要大量的时间和处理成本（Ge et al., 2024），而基于先验知识的技术受到获取全面树木模型的难度限制，基于种子点的方法依赖于局部几何特征，这限制了其在细尺度重建方面的能力（Ge et al., 2024）。
随着计算机视觉的进步，点云补全技术已被广泛应用于推断缺失结构并实现稀疏表面的密集重建（Rong et al., 2024）。这些技术也可以直接用于单株树木点云的结构恢复。在计算机视觉领域，传统的点云补全方法主要利用几何特征，应用基于对称性的重建（Kroemer et al., 2012; Sarkar et al., 2017）、形状对齐（Pauly et al., 2005; Sarkar et al., 2017; Shen et al., 2012）和模板匹配（Cai et al., 2015; Sung et al., 2015）进行结构补全。然而，这些方法需要进一步改进才能有效处理复杂或不规则的结构。
3D点云深度学习的最新进展（Qi et al., 2017a）使得基于神经网络的方法能够成功应用于点云补全。这些方法通过数据驱动的神经网络将不完整的输入转换为完整结构，主要挑战在于从离散点云中实现高保真的形状补全。早期的方法，包括FoldingNet（Yang et al., 2018）和PCN（Yuan et al., 2018），使用基于折叠的解码器从二维（2D）网格表示重建任意点云。后续的进展，如L-GAN（Achlioptas et al., 2018）和RL-GAN-Net（Sarmad et al., 2019），结合了生成对抗网络（GAN）和补充技术，显著提高了补全精度。在特征提取方面，CRN（Wang et al., 2021）及其改进版本SCRN（Wang et al., 2021）利用图卷积架构有效捕获边缘特征和跨区域相关性。最近的创新，特别是PMP-Net（Wen et al., 2021）及其改进版本PMP-Net++（Wen et al., 2022），引入了迭代点移动过程来逐步细化点云。基于变压器的架构，如SnowflakeNet（Xiang et al., 2021）、SeedFormer（Zhou et al., 2022）和CRA-PCN（Rong et al., 2024），通过注意力机制显著改善了全局上下文建模。3DMambaComplete（Li et al., 2024）特别值得提及，因为它是第一个在点云特征编码过程中实现选择性状态空间机制的模型，这同时提高了模型的鲁棒性和泛化能力。
在林业应用中实施基于深度学习的点云补全主要面临两个问题：一方面，大多数现有方法依赖于计算机模拟的均匀密度点云数据集（使用随机球形缺失区域等构建），而ULS获取的单株树木点云显示出明显的非均匀密度分布，特别是由于树冠遮挡导致的树干缺失，当前的模拟方法难以准确再现。另一方面，不同物种的单株树木之间存在显著的形态差异，使得数据驱动的深度学习模型难以获得准确和完整的重建。
在这项研究中，为了解决由于ULS数据采集过程中树冠遮挡和信号衰减导致单株树木点云结构不完整的问题，我们提出了一个名为InceptionFormer的深度学习网络进行结构补全。该网络利用Inception特征聚合模块通过平行分支提取稳健的几何特征，并通过结合自注意力和稀疏掩码的点稀疏注意力模块捕获全局上下文。这使得即使在不完整和形态多样的单株树木点云的情况下也能实现实际的结构补全。我们进一步开发了一种算法，通过整合高度和点密度信息以及基于CBH的优化来模拟真实的结构缺失模式，该算法是构建TreeCompletion3D数据集的基础。使用所提出的网络完成结构补全后，我们从得到的完整单株树木点云中估计结构参数，并将其与多源LiDAR数据得到的参数进行比较，以证明补全结构不完整点云对于下游参数估计的可靠性。总体而言，我们开发了一个完整的单株树木点云处理流程，包括结构恢复和参数估计。这项研究在方法论上具有重要意义，促进了点云补全技术在森林自然资源评估和环境监测中的应用。
