Le matting d’images naturelles est une tâche fondamentale et difficile en vision par ordinateur. Traditionnellement, ce problème est formulé comme un problème sous-déterminé. Étant donné qu’il est mal posé, des hypothèses supplémentaires sur la distribution des données sont nécessaires pour le rendre bien posé. Pour les méthodes classiques de matting, une hypothèse fréquemment adoptée est celle de la régularité locale des couleurs du premier plan et du fond. Toutefois, l’utilisation de telles hypothèses n’a pas été systématiquement explorée dans le cadre des méthodes de matting basées sur l’apprentissage profond. Dans ce travail, nous considérons deux hypothèses de régularité locale qui peuvent contribuer à améliorer les modèles de matting par réseau de neurones profonds. À partir de ces hypothèses, nous proposons trois techniques : le raffinement de l’ensemble d’apprentissage, l’augmentation de couleur et le raffinement par rétropropagation, lesquelles permettent d’améliorer significativement les performances du modèle de matting profond. Nous menons des expériences afin d’évaluer l’efficacité de l’algorithme proposé. Les résultats expérimentaux montrent que la méthode proposée obtient des performances favorables par rapport aux méthodes existantes de matting.