本研究では、ターゲットクラスの少数のアノテーション付きサポート画像を提供された状態で、クエリ画像からターゲットオブジェクトをセグメンテーションする「少サンプルセマンティックセグメンテーション（Few-shot Semantic Segmentation: FSS）」に焦点を当てる。近年のいくつかの手法は、不要な特徴活性を排除することで、セグメンテーションマスクの信頼性ある予測を促進するため、特徴マスキング（Feature Masking: FM）技術に依存している。しかし、FM技術の根本的な制約は、特に小さなターゲットオブジェクトに対して精度に影響を与える細粒度の空間的詳細を保持できない点にある。本論文では、この問題を克服するため、シンプルかつ効果的かつ効率的なFMの強化手法を提案する。この強化されたFMを「ハイブリッドマスキング（Hybrid Masking: HM）」と呼ぶ。具体的には、補完的な基本入力マスキング法を調査・活用することで、FM技術における細粒度空間的詳細の損失を補完する。我々は、強力なFSSベースラインを備えた3つの公的ベンチマーク上で実験を行い、異なるベンチマークにおいて現著な差をもって現在の最先端手法を上回る性能を実証した。本研究のコードおよび学習済みモデルは、以下のURLから公開されている：https://github.com/moonsh/HM-Hybrid-Masking