MS-DGCNN++：面向稳健 LiDAR 树种分类的多尺度动态图卷积与尺度相关归一化

基于 LiDAR 点云的图深度学习通过边特征编码几何，但标准实现在每个尺度上使用相同的编码。在树种分类中，由于树干与树冠之间的点密度相差多个数量级，这一点尤其受限。我们证明这不优化：归一化方向特征的均方误差随点间距离 $s$ 的平方衰减为 $\mathcal{O}(1/s^2)$，而原始位移误差为常数，暗示每种编码适用于不同的信噪比 (SNR) 条件。我们提出 MS-DGCNN++，一种具有尺度相关边编码的多尺度动态图卷积网络：在局部尺度（低 SNR）上使用原始向量，在中间尺度（高 SNR）上使用混合原始+归一化向量。五项消融实验验证了该设计：编码消融确认 $+4$--$6\%$ 的总体准确率提升；密度丢弃显示在树冠稀疏下的 degradation 最平缓；噪声扫描定位理论临界点 near $\text{SNR}_2 \approx 1.22$；最大池化来源揭示在原始编码下，远距离邻居获胜 $85\%$ 的竞争，这一偏差被归一化消除；各向同性分析显示归一化几乎翻倍有效秩。在 STPCTLS（七种树种，陆地激光扫描）上，MS-DGCNN++ 以最高的总体准确率 ($92.91\%$) 获胜，超过使用 $7$--$24\times$ 更多参数的自监督方法，仅使用 $1.81$M 参数。在 HeliALS（九种树种，空中激光扫描，仅几何信息）上，达到 $73.66\%$ 的总体准确率，并获得最佳平衡准确率 ($50.28\%$)，匹配使用 $4\times$ 更多点的 FGI-PointTransformer。对五类扰动的鲁棒性分析揭示了不同变体在异构森林环境部署中的互补优势。代码：https://github.com/said-ohamouddou/MS-DGCNN2。