إزالة كائن ما وتقدير قناع الشفافية المرتبط به، المعروف باسم "تلوين الصور" (image matting)، يُعد مهمة أساسية في العديد من تطبيقات معالجة الصور. حققت النماذج القائمة على التعلم العميق تقدماً كبيراً من خلال تعديل بنية الشبكات التصنيفية ذات المُشفِّر-المُفكِّك (encoder-decoder). ومع ذلك، فإن معظم الشبكات الحالية تُقدِّم فقط قناع ألفا (alpha matte)، ويجب بعد ذلك استخدام تقنيات ما بعد المعالجة لإعادة استرجاع الألوان الأصلية للخلفية والجسم الأمامي في المناطق الشفافة. في الآونة الأخيرة، أظهرت طريقتان جديدتان نتائج محسّنة من خلال تقدير ألوان الجسم الأمامي أيضاً، ولكن بتكلفة حسابية وذاكرة كبيرة.في هذه الورقة، نقترح تعديلاً منخفض التكلفة على شبكات تلوين ألفا لتمكينها من التنبؤ بألوان الجسم الأمامي والخلفية معاً. ندرس تنويعات في نظام التدريب، ونستعرض مجموعة واسعة من دوال الخسارة الحالية والجديدة لتنبؤ متكامل. يحقق أسلوبنا أفضل أداء في الوقت الحالي على مجموعة بيانات Adobe Composition-1k فيما يتعلق بجودة قناع ألفا ودقة الألوان المركبة. كما يُعد أفضل أسلوب حاليًا في التقييم عبر الإنترنت على منصة alphamatting.com.