Neuere Fortschritte im Few-Shot-Segmentation (FSS) haben die pixelgenaue Übereinstimmung zwischen Abfragen und Support-Features genutzt, typischerweise basierend auf Cross-Attention, wodurch gezielt die Abfrage-Foreground (FG)-Features aktiviert werden, die denselben Klassen wie die Support-FG-Features entsprechen. Aufgrund der großen Rezeptivfelder in tiefen Schichten des Backbone-Netzwerks sind die extrahierten Abfrage- und Support-FG-Features jedoch unvermeidlich mit Hintergrund (BG)-Features vermischt, was die FG-FG-Übereinstimmung in der Cross-Attention beeinträchtigt. Dadurch werden die Abfrage-FG-Features mit weniger Support-FG-Features fusioniert, d. h., die Support-Information wird nicht optimal genutzt. In dieser Arbeit wird ein neuartiges Plug-in vorgestellt, das als „Ambiguity Elimination Network“ (AENet) bezeichnet wird und in beliebige bestehende FSS-Methoden basierend auf Cross-Attention integriert werden kann. Der zentrale Ansatz besteht darin, diskriminative Abfrage-FG-Gebiete zu identifizieren, um die mehrdeutigen FG-Features zu korrigieren und den Anteil an FG-Information zu erhöhen, wodurch die negativen Auswirkungen der verunreinigenden BG-Features reduziert werden. Auf diese Weise wird die FG-FG-Übereinstimmung natürlicherweise verbessert. Wir integrieren AENet in drei Baseline-Methoden – CyCTR, SCCAN und HDMNet – und beobachten erhebliche Leistungssteigerungen, beispielsweise eine Verbesserung der 1-Shot-Performance von SCCAN um über 3,0 % sowohl auf PASCAL-5$^i$i als auch auf COCO-20$^i$i. Der Quellcode ist unter https://github.com/Sam1224/AENet verfügbar.