多くの弱教師付きセマンティックセグメンテーション（WSSS）手法は、初期に擬似マスク（pseudo-masks）を生成し、その後それを用いて完全教師付きの手法でセグメンテーションモデルを訓練するというパイプラインに従っている。しかし、本研究では擬似マスクに関するいくつかの重要な課題に着目した。具体的には、クラス活性マップ（CAMs）から高品質な擬似マスクを生成する方法、およびノイズを含む擬似マスクによる学習の効果を高める方法である。これらの課題に対処するため、以下の4つの新規設計を提案し、性能を新たなSOTA（state-of-the-art）水準まで向上させた。（i）変動係数平滑化（Coefficient of Variation Smoothing）：CAMsを適応的に平滑化する手法。これにより、不均一な活性分布を抑制し、より信頼性の高いマップを生成する。（ii）比例的擬似マスク生成（Proportional Pseudo-mask Generation）：二値分類器によって学習されたスコアではなく、各位置における各クラスの重要度を示す新たな指標に基づき、拡張されたCAMsを擬似マスクに投影する手法。これにより、クラス間の不均衡や誤分類を緩和できる。（iii）擬似過小適合戦略（Pretended Under-Fitting strategy）：擬似マスクに含まれるノイズの影響を抑制するため、モデルの学習を意図的に「過小適合」に近い状態に保つことで、ノイズに敏感な学習を抑制する。（iv）サイクル的擬似マスク（Cyclic Pseudo-mask）：完全教師付きセマンティックセグメンテーション（FSSS）の学習過程において、擬似マスクを周期的に更新・再利用することで、学習の安定性と精度を向上させる。本手法を用いた実験により、2つの挑戦的な弱教師付きセマンティックセグメンテーションデータセット（PASCAL VOC 2012 および MS COCO 2014）において、それぞれmIoUが70.0%および40.2%という新たなSOTA結果を達成した。本研究の実装コードおよびセグメンテーションフレームワークは、GitHubにて公開されている：https://github.com/Eli-YiLi/PMM