يقدم هذا البحث طريقة جديدة لإزالة الظلال باستخدام بيانات غير متطابقة، مما يمكّننا من تجنب التوقيعات المتعبة والحصول على عينات تدريبية أكثر تنوعًا. ومع ذلك، فإن استخدام التعلم المعادي وقيود الاستمرارية الدائرية مباشرة غير كافٍ لتعلم العلاقة الأساسية بين مجالات الصور ذات الظل والصور الخالية من الظل، نظرًا لأن الخريطة بين صور الظل والصور الخالية من الظل ليست ببساطة خريطة واحد إلى واحد. لحل هذه المشكلة، قمنا بصياغة إطار عميق جديد يُسمى Mask-ShadowGAN (قناع-شادوغان)، والذي يتعلم تلقائيًا إنتاج قناع للظل من الصورة المدخلة ذات الظل ثم يستخدم القناع لتوجيه إزالة الظل عبر قيود الاستمرارية الدائرية المعادة الصياغة. بشكل خاص، يتعلم الإطار في الوقت نفسه إنتاج أقنعة الظل وإزالة الظلال لتحقيق أفضل الأداء الشامل. كما أعددنا مجموعة بيانات غير متطابقة لإزالة الظلال وأظهرنا فعالية Mask-ShadowGAN (قناع-شادوغان) في العديد من التجارب، حتى عند تدريبه على بيانات غير متطابقة.