近日，研究中心2023级硕士生赵雅琪的一篇论文“Holistic Optimal Label Selection for Robust Prompt Learning under Partial Labels”（作者：赵雅琪，孙皓亮，王雅婷，宫永顺，尹义龙）被European Conference on Computer Vision（ECCV）2026会议录用。ECCV是计算机视觉领域国际顶级会议，与ICCV、CVPR并称为计算机视觉三大顶会，属于CCF推荐B类会议。

提示学习能够以极少的参数更新实现预训练视觉—语言模型对下游任务的高效适配，但其性能高度依赖监督信号的质量。在偏标记场景下，每个训练样本仅对应一个包含真实标签的候选标签集合，标签歧义会显著干扰提示优化过程，尤其在小样本条件下问题更为突出。针对这一问题，我们提出了一种整体式最优标签选择方法，从局部与全局两个层面协同开展可信标签选择：在局部层面，通过基于密度的过滤机制利用样本邻域一致性剔除不可靠候选标签；在全局层面，通过最优传输规划建立样本与类别之间的结构化匹配关系，从而减少标签选择偏置。在八个公开基准数据集上的实验结果表明，该方法能够充分利用预训练视觉—语言模型冻结编码器的表征泛化能力，有效提升偏标记监督下提示学习的鲁棒性与识别性能。