視覚と言語の基盤モデルであるCLIPは，テキストと画像との間の類似度を計算することができる．画像セグメンテーションのためのアノテーションにCLIPが用いられているが，物体の細部を捉えることができない問題がある．本論文では，CLIPを用いたゼロショットアノテーションを提案する．複数の解像度の画像とクラスラベルのそれぞれからCLIP特徴量を抽出し，擬似ラベルを求め，条件付き確率場の最適化を通して擬似ラベルを洗練する．公開データセットを用いた性能評価実験により，提案手法の有効性を示す．