Die natürliche Bildmatting-Methode schätzt die Alpha-Werte unbekannter Regionen in einem Trimap ab. In jüngster Zeit propagieren tiefenlernenbasierte Ansätze die Alpha-Werte von bekannten zu unbekannten Regionen basierend auf der Ähnlichkeit zwischen diesen Regionen. Wir stellen jedoch fest, dass mehr als 50 % der Pixel in den unbekannten Regionen aufgrund der begrenzten effektiven Empfangsfelder herkömmlicher konvolutioneller Neuronaler Netze nicht mit Pixeln in den bekannten Regionen korreliert werden können. Dies führt zu ungenauen Schätzungen, wenn die Pixel in den unbekannten Regionen nur anhand der Pixel innerhalb der Empfangsfelder inferiert werden müssen. Um dieses Problem zu lösen, schlagen wir das Long-Range Feature Propagating Network (LFPNet) vor, das langreichweitige Kontextmerkmale außerhalb der Empfangsfelder für die Schätzung der Alpha-Matte lernt. Konkret entwerfen wir zunächst ein Propagationsmodul, das Kontextmerkmale aus dem unterabgetasteten Bild extrahiert. Anschließend präsentieren wir das Center-Surround Pyramid Pooling (CSPP), das die Kontextmerkmale explizit von der umgebenden Kontext-Bildpatch-Region zur zentralen Bildpatch-Region propagiert. Schließlich nutzen wir ein Matting-Modul, das das Bild, das Trimap sowie die Kontextmerkmale als Eingabe erhält, um die Alpha-Matte zu schätzen. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode gegenüber den aktuell besten Verfahren auf den Datensätzen AlphaMatting und Adobe Image Matting überzeugt.