セマンティックセグメンテーションにおいて、限られたリソースやモデル入力サイズへの適合、およびデータ拡張の向上といった理由から、トレーニングデータのダウンサンプリングは一般的に行われる。このダウンサンプリングでは、画像データとアノテーションラベルの両方に異なる戦略が用いられることが多く、その結果、ダウンサンプリング後のカラー画像とラベル画像の間に不整合が生じる。その結果、ダウンサンプリング倍率が大きくなるほどトレーニング性能が著しく低下する。本論文では、画像データとトレーニングラベルの両方に対するダウンサンプリング戦略を統合する。そのため、ダウンサンプリング後のラベル情報の保持をより効果的に行うための、ソフトラベリングを活用した新たなフレームワークを提案する。このアプローチにより、ソフトラベルを画像データと完全に整合させ、サンプリングされたピクセルの分布を維持することが可能となる。さらに、低頻度のセマンティッククラスに対しても信頼性の高いアノテーションを生成することができる。総合的に、低解像度での競争力のあるモデルの学習が実現される。実験結果から、本提案は他のダウンサンプリング戦略を上回る性能を示した。また、代表的なベンチマークにおいて最先端の性能を達成しつつ、従来の主要なアプローチに比べて著しく少ない計算リソースを要する。本提案により、リソース制約下でも競争力のあるセマンティックセグメンテーション研究が可能となる。