半教師あり学習は、限られたラベル付き例からモデルを構築することを目的とする困難な課題である。この問題に対処するため、多数の手法が提案されてきたが、その多くは未ラベルデータの予測の一貫性のみを活用してネットワークを正則化することに焦点を当てている。しかし、ラベル付きデータと未ラベルデータを別々に扱う方法は、ラベル付き例から学習された豊富な事前知識を無駄にすることになりやすく、さらにラベル付きと未ラベル画像ペア間の特徴相互作用を十分に抽出できていない。本論文では、ラベル付き情報を用いて未ラベルインスタンスの学習をガイドする新しい半教師ありセマンティックセグメンテーション手法、GuidedMix-Netを提案する。具体的には、まずラベル付きデータと未ラベルデータ間の特徴アライメントを導入し、潜在的に類似した画像ペアを捉えた上で、それらから混合入力を生成する。提案する相互情報伝達（MITrans）は、クラスタ仮説に基づき、混合データ空間における未ラベルデータの特徴を段階的に高精度に refining する強力な知識モジュールであることが示された。ラベル付き例の利点を活かし、未ラベルデータの学習を効果的にガイドするため、さらに高品質な疑似マスクを生成するマスク生成モジュールを提案する。ラベル付きデータに対する教師あり学習と併せて、混合データから生成された疑似マスクを用いて未ラベルデータの予測も同時に学習する。PASCAL VOC 2012、PASCAL-Context、Cityscapes における広範な実験により、本手法の有効性が実証された。従来の最先端手法と比較して、競争力あるセグメンテーション精度を達成するとともに、mIoU において最大 +7% の顕著な向上を実現した。