クラス増分的セマンティックセグメンテーション（Class-Incremental Semantic Segmentation, CISS）は、古いクラスを忘却することなく新しいクラスを学習することを目的としており、新たに追加されるクラスのラベルのみを用いる。これを実現するため、一般的に以下の2つの戦略が採用されている：1）疑似ラベル付け（pseudo-labeling）と知識蒸留（knowledge distillation）により、既存の知識を保持する；2）背景重みの転移（background weight transfer）により、新しいクラスの学習において背景の広範なカバレッジを活用し、背景の重みを新しいクラス分類器に転移する。しかし、前者の戦略では、古いクラスの検出に依存するため、検出されなかったピクセルが背景として扱われ、結果として背景が古いクラスに偏る（いわゆる「背景シフト」：古いクラスが背景と誤分類される現象）という問題が生じる。また、後者のアプローチにおいては、背景の知識で新しいクラス分類器を初期化するため、同様の背景シフトが新しいクラスに偏向する形で発生する。こうした問題に対処するため、本研究ではCISSに向けた「背景クラス分離フレームワーク」を提案する。まず、信頼性の高い過去の知識のみを蒸留するため、選択的疑似ラベル付けと適応的特徴蒸留を導入する。一方で、新たな直交的最適化目標（orthogonal objective）とラベル誘導出力蒸留（label-guided output distillation）を用いて、背景と新しいクラスの分離を促進する。本研究の最先端の実験結果は、提案手法の有効性を明確に裏付けている。