ディープラーニングの最近の進展により、言語誘導型動画オブジェクトセグメンテーションを含む視覚的接地（visual grounding）タスクにおいて顕著な進歩がもたらされた。しかし、これらのタスクに向けた大規模なデータセットを収集するには、アノテーションにかかる時間コストが非常に高いため、それが大きなボトルネックとなっている。こうした課題に対応するため、本研究では画像（または動画フレーム内の）ターゲットオブジェクトに対して合成された参照表現（synthetic referring expressions）を生成する新たな手法、SynthRefを提案する。さらに、動画オブジェクトセグメンテーション用に合成参照表現を備えた初めての大規模データセットを構築し、公開した。実験の結果、我々が生成した合成参照表現を用いて学習することで、追加のアノテーションコストを一切かけずに、モデルの異なるデータセット間での汎化能力が向上することが明らかになった。また、本手法の定式化は、任意のオブジェクト検出またはセグメンテーションデータセットへの適用を可能としている。