في الآونة الأخيرة، ازداد القلق بشأن مسألة الخصوصية الناتجة عن استخدام المعلومات المعرفة شخصيًا في التعلم الآلي. ومع ذلك، كانت جميع الطرق السابقة لاستخلاص الخلفية الشخصية (portrait matting) تعتمد على صور شخصية قابلة للتعريف. ولسد هذه الفجوة، نقدم في هذه الورقة P3M-10k، وهي أول معيار كبير مُجهّل للخصوصية (anonymized benchmark) مخصص لاستخلاص الخلفية الشخصية مع الحفاظ على الخصوصية. يتكوّن P3M-10k من 10,000 صورة شخصية عالية الدقة ذات وجوه مشوّشة (face-blurred) مصحوبة بخرائط ألفا عالية الجودة. قمنا بتقييم منهجي لطرق استخلاص الخلفية المستندة إلى التريمايب (trimap-based) وطرق استخلاص الخلفية دون استخدام التريمايب (trimap-free) على P3M-10k، ووجدنا أن الطرق الحالية تُظهر قدرات تعميم مختلفة عند اتباع إعداد التدريب المُحترم للخصوصية (Privacy-Preserving Training - PPT)، أي التدريب على صور مشوّشة الوجوه واختبارها على صور عشوائية. ولتصميم نموذج أفضل لاستخلاص الخلفية دون استخدام التريمايب، نقترح P3M-Net، الذي يستفيد من قوة إطار عمل موحد يجمع بين الإدراك الدلالي وعملية استخلاص التفاصيل الدقيقة، مع التركيز بشكل خاص على التفاعل بين هذه العناصر والمحول (encoder) لتسهيل عملية الاستخلاص. أظهرت التجارب الواسعة على P3M-10k أن P3M-Net يتفوق على أحدث الطرق من حيث المقاييس الموضوعية والجودة البصرية الذاتية. علاوة على ذلك، تُظهر النموذج قدرة تعميم جيدة ضمن بيئة PPT، مما يؤكد القيمة الحقيقية لـ P3M-10k في دعم الأبحاث المستقبلية وتمكين التطبيقات الواقعية المحتملة. يمكن الوصول إلى الكود المصدري والبيانات من خلال الرابط التالي: https://github.com/JizhiziLi/P3M