本稿では、マルチタスク学習の枠組みにおいて、タスク情報の蒸留（distillation）を行う際、複数スケールにわたるタスク間相互作用を考慮することが重要であると主張する。一般的な認識とは対照的に、あるスケールにおいて高い類似性（アフィニティ）を持つタスクが、他のスケールでも同様の振る舞いを維持するとは限らないこと、逆に言えば、異なるスケールで類似性を持つタスクが必ずしも同一スケールで類似性を示すわけではないことを示す。この知見を基に、我々は新たなアーキテクチャであるMTI-Netを提案する。本アーキテクチャは、この知見を3つの観点から活用する。第一に、マルチスケールマルチモーダル蒸留ユニットを用いて、各スケールにおいてタスク間相互作用を明示的にモデル化する。第二に、特徴量伝搬モジュールを用いて、低スケールから高スケールへと蒸留されたタスク情報を伝達する。第三に、特徴量集約ユニットにより、すべてのスケールから得られた精緻化されたタスク特徴量を統合し、最終的なタスクごとの予測を生成する。 2つのマルチタスク密度ラベリングデータセットを用いた広範な実験により、従来の手法とは異なり、本マルチタスクモデルはマルチタスク学習の全般的な利点を実現できることを示した。具体的には、単一タスク学習に比べてメモリ使用量の削減、計算量の低減、および性能の向上を達成している。コードは公開されており、以下のURLから入手可能である：https://github.com/SimonVandenhende/Multi-Task-Learning-PyTorch。