Natürliche Bild-Matting ist eine grundlegende und herausfordernde Aufgabe im Bereich des Computer-Vision. Traditionell wird das Problem als unterbestimmtes Problem formuliert. Da das Problem schlecht gestellt ist, sind zusätzliche Annahmen über die Datenverteilung notwendig, um das Problem wohlgestellt zu machen. Bei klassischen Matting-Methoden wird häufig die Annahme der lokalen Glätte der Vordergrund- und Hintergrundfarben gemacht. Die systematische Berücksichtigung solcher Annahmen wurde jedoch bei tiefen Lernverfahren für das Matting bisher nicht ausreichend verfolgt. In dieser Arbeit betrachten wir zwei Annahmen der lokalen Glätte, die zur Verbesserung von tiefen Bild-Matting-Modellen beitragen können. Auf Basis dieser Annahmen entwickeln wir drei Techniken – die Verbesserung des Trainingsdatensatzes, Farbaugmentation und Rückpropagations-Refinement –, die die Leistungsfähigkeit des tiefen Matting-Modells erheblich steigern. Wir führen Experimente durch, um die Wirksamkeit des vorgeschlagenen Algorithmus zu überprüfen. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode im Vergleich zu bestehenden Matting-Methoden eine überzeugende Leistung erzielt.