現代の意味分割フレームワークは、通常、事前学習されたバックボーン畳み込みモデルからの低レベル特徴量と高レベル特徴量を組み合わせることで性能向上を図っています。本論文では、まず、低レベル特徴量と高レベル特徴量の単純な融合が、意味レベルや空間解像度のギャップにより効果が低い可能性があることを指摘します。私たちは、低レベル特徴量に意味情報を導入し、高レベル特徴量に高解像度の詳細を加えることで、後段での融合がより効果的であることを発見しました。この観察に基づき、私たちは低レベル特徴量と高レベル特徴量のギャップを埋め、全体的に4.0%の分割品質向上を達成する新しいフレームワーク「ExFuse」を提案します。さらに、我々の手法は困難なPASCAL VOC 2012セグメンテーションベンチマークにおいて評価され、平均IoU（Intersection over Union）87.9%という結果を得ました。これは以前の最先端の結果を上回るものです。