最近、意味分割分野において境界セグメンテーションの結果を向上させることが注目を集めている。既存の代表的な手法は通常、長距離の文脈情報を活用するため、特徴空間内における境界の手がかりが曖昧になり、結果として境界の精度が低下する傾向にある。本論文では、境界の性能を向上させるため、新しい条件付き境界損失（Conditional Boundary Loss: CBL）を提案する。CBLは、各境界ピクセルに対して、その周囲の隣接ピクセルに条件付けられた独自の最適化目標を設定する。この条件付き最適化は実装が簡単でありながらも、高い有効性を示す。これに対し、従来の境界認識型手法の多くは最適化が困難であるか、あるいは意味分割タスクと潜在的な矛盾を引き起こす可能性がある。具体的には、CBLは各境界ピクセルをその固有の局所的クラス中心に近づけ、異なるクラスの隣接ピクセルから遠ざけることで、クラス内の一貫性を強化し、クラス間の差異を明確にする。さらに、CBLは損失計算に参加する周囲の隣接ピクセルが正しく分類されたもののみを対象とするため、ノイズや誤分類情報を排除し、高精度な境界を獲得できる。本損失関数は、任意の意味分割ネットワークに即座に統合可能なプラグアンドプレイ型のソリューションであり、境界セグメンテーション性能の向上に有効である。ADE20K、Cityscapes、Pascal Contextの3つの代表的データセットにおいて広範な実験を実施した結果、CBLをさまざまな代表的なセグメンテーションネットワークに適用することで、mIoUおよび境界Fスコアの両面で顕著な性能向上が得られた。