近年、NISQデバイスの有効活用を目指し、古典深層学習と量子コンピューティングを組み合わせたハイブリッドモデルが注目されている。しかし、ResNet等の大規模な事前学習済みモデルを変分量子回路へ接続する際、高次元特徴量を量子状態へ埋め込む全結合層のパラメータ過多が大きな課題となっている。そこで本研究では、量子埋め込みにクロネッカー積構造を導入し、パラメータを大幅に削減する手法を提案した。ImageNetを用いた実験の結果、従来の全結合層比で約99%のパラメータ削減を実現しつつ分類精度も向上させ、計算コストと精度のトレードオフを解消する有効なアプローチであることを示した。