類似性学習は、物体追跡において重要なステップとして認識されている。しかし、従来の複数物体追跡手法は、学習の目的関数として疎な真値マッチングのみを用いている一方で、画像内の情報量の多い大部分の領域を無視している。本論文では、対となる画像上に数百のオブジェクト領域を密にサンプリングし、対照学習（contrastive learning）を実施する「準密度的類似性学習（Quasi-Dense Similarity Learning）」を提案する。この類似性学習を複数の既存の物体検出器と組み合わせることで、変位回帰や運動事前知識を必要としない「準密度的追跡（Quasi-Dense Tracking, QDTrack）」を構築した。我々は、学習により得られた特徴空間が、推論時に単純な最近傍探索（nearest neighbor search）によって物体の対応付けが可能であることを発見した。さらに、本研究では類似性学習手法が動画データに限定されず、静的入力からも有効なインスタンス類似性を学習可能であることを示した。これにより、動画データでの訓練や追跡の教師信号を用いずに、競争力のある追跡性能を達成することが可能となった。広範な代表的なMOTベンチマークにおいて包括的な実験を行った結果、QDTrackはそのシンプルさにもかかわらず、すべてのベンチマークで最先端の追跡手法と同等の性能を達成し、大規模なBDD100K MOTベンチマークでは新たな最先端性能を樹立した。なお、検出器への計算負荷は極めて小さいという利点も確認された。