Extraire un objet d’une image et estimer son masque d’opacité, une tâche connue sous le nom de matting d’image, constitue une étape clé dans de nombreuses applications de traitement d’images. Les approches fondées sur l’apprentissage profond ont permis des progrès significatifs en adaptant l’architecture encodeur-décodeur des réseaux de segmentation. Toutefois, la plupart des réseaux existants ne prédise que le masque alpha, nécessitant ensuite des méthodes de post-traitement pour restaurer les couleurs initiales du premier plan et du fond dans les régions transparentes. Récemment, deux méthodes ont montré des résultats améliorés en estimant également les couleurs du premier plan, mais à un coût computationnel et mémoire important.Dans ce travail, nous proposons une modification à faible coût des réseaux de matting alpha afin qu’ils puissent également prédire les couleurs du premier plan et du fond. Nous étudions différentes variantes du régime d’entraînement et explorons une large gamme de fonctions de perte existantes et nouvelles pour la prédiction conjointe. Notre méthode atteint un niveau d’expertise actuel (state-of-the-art) sur le jeu de données Adobe Composition-1k en termes de qualité du masque alpha et de reconstruction des couleurs composées. Elle est également actuellement la meilleure méthode en termes de performance sur l’évaluation en ligne alphamatting.com.