パラメータ効率的なチューニング（Parameter Efficient Tuning, PET）は、パラメータ数を削減しつつ性能を維持し、ハードウェアリソースの節約を実現する点で注目を集めているが、密度予測タスクや複数モダリティ間の相互作用に関する研究は依然として少ない。本論文では、参照画像セグメンテーションにおける効率的チューニングの課題に焦点を当て、新たなアダプタ「Bridger」を提案する。このアダプタは、クロスモダリティ間の情報交換を促進し、事前学習モデルにタスク固有の情報を注入することを目的としている。さらに、画像セグメンテーションに適した軽量なデコーダーも設計した。本手法は、挑戦的なベンチマーク上で評価された結果、バックボーンパラメータの更新率がわずか1.61%～3.38%の範囲で、従来手法と同等または優れた性能を達成した。実装コードは、\url{https://github.com/kkakkkka/ETRIS} にて公開されている。