本論文では、単純な訓練プロセスと最適化が容易な推論フェーズを持つ汎用的なFew-Shotセグメンテーションフレームワークを紹介します。特に、よく知られているInfoMax原理に基づく単純かつ効果的なモデルを提案します。このモデルでは、学習された特徴表現とそれに対応する予測の間の相互情報量（Mutual Information: MI）が最大化されます。さらに、我々のMIベースの式から導かれた項は、知識蒸留（Knowledge Distillation）項と組み合わせられ、基本クラスに関する知識を保持します。単純な訓練プロセスにより、我々の推論モデルは基本クラスで訓練された任意のセグメンテーションネットワークに適用することができます。提案された推論手法は、人気のあるFew-ShotセグメンテーションベンチマークであるPASCAL-$5^i$5iおよびCOCO-$20^i$20iにおいて大幅な改善をもたらします。特に新規クラスについては、1-shotシナリオでは7%から26%、5-shotシナリオでは3%から12%の改善が見られます（それぞれPASCAL-$5^i$5iとCOCO-$20^i$20i）。また、性能差がより顕著になるより困難な設定も提案しています。我々のコードは公開されており、https://github.com/sinahmr/DIaM からアクセスできます。