Le matting d’images naturelles est une tâche fondamentale et difficile en vision par ordinateur, avec de nombreuses applications dans le traitement et la composition d’images. Récemment, les approches basées sur l’apprentissage profond ont permis des progrès significatifs dans ce domaine. Toutefois, la plupart de ces méthodes nécessitent un trimap fourni par l’utilisateur comme entrée auxiliaire, ce qui limite leur application dans des scénarios réels. Bien que certaines approches sans trimap aient été proposées, la qualité du matting reste insatisfaisante par rapport aux méthodes basées sur le trimap. En l’absence de guidance par trimap, les modèles de matting sont facilement sujets à une ambiguïté entre le premier plan et le fond, et produisent souvent des détails flous dans les zones de transition. Dans ce travail, nous proposons PP-Matting, une architecture sans trimap capable d’obtenir un matting d’images naturelles de haute précision. Notre méthode intègre une branche détaillée à haute résolution (HRDB) qui extrait des détails fins du premier plan tout en préservant invariablement la résolution des caractéristiques. Par ailleurs, nous introduisons une branche de contexte sémantique (SCB) qui met en œuvre une sous-tâche de segmentation sémantique, afin d’éviter les ambiguïtés locales dans la prédiction des détails dues à l’absence de contexte sémantique. En outre, nous menons des expériences approfondies sur deux benchmarks bien connus : Composition-1k et Distinctions-646. Les résultats démontrent l’avantage de PP-Matting par rapport aux méthodes antérieures. En outre, nous fournissons une évaluation qualitative de notre méthode sur le matting humain, qui met en évidence ses performances exceptionnelles dans des applications pratiques. Le code source et les modèles pré-entraînés seront disponibles sur PaddleSeg : https://github.com/PaddlePaddle/PaddleSeg.