In letzter Zeit hat sich zunehmend besondere Aufmerksamkeit auf die Datenschutzproblematik konzentriert, die sich aus der Verwendung personenidentifizierbarer Informationen in maschinellem Lernen ergibt. Bisher basierten jedoch alle etablierten Methoden zur Porträt-Matting auf identifizierbaren Porträtbildern. Um diese Lücke zu schließen, präsentieren wir in diesem Artikel P3M-10k, den ersten großen, anonymisierten Benchmark für datenschutzorientiertes Porträt-Matting. P3M-10k besteht aus 10.000 hochauflösenden Gesichtsverschmierungs-Bildern mit hochwertigen Alpha-Matten. Wir führen eine systematische Evaluation sowohl trimapfreier als auch trimapbasierter Matting-Methoden auf P3M-10k durch und stellen fest, dass bestehende Matting-Methoden unter dem Datenschutz-Training (Privacy-Preserving Training, PPT)-Setting – also Training auf Gesichtsverschmierungs-Bildern und Test auf beliebigen Bildern – unterschiedliche Generalisierungsfähigkeiten aufweisen. Um ein verbessertes trimapfreies Porträt-Matting-Modell zu entwickeln, schlagen wir P3M-Net vor, das die Stärken eines einheitlichen Rahmens für sowohl semantische Wahrnehmung als auch detaillierte Matting-Ausführung nutzt und insbesondere die Wechselwirkung zwischen diesen beiden Komponenten sowie mit dem Encoder betont, um den Matting-Prozess zu optimieren. Umfangreiche Experimente auf P3M-10k zeigen, dass P3M-Net sowohl in Bezug auf objektive Metriken als auch subjektive visuelle Qualität die derzeit besten Ansätze übertrifft. Darüber hinaus zeigt es eine hervorragende Generalisierungsfähigkeit unter dem PPT-Setting, was die Relevanz von P3M-10k für zukünftige Forschung und die potenzielle Anwendung in der Praxis unterstreicht. Der Quellcode und das Datenset sind unter https://github.com/JizhiziLi/P3M verfügbar.