حققت الطرق الحديثة للتعلم العميق نتائج واعدة في إزالة الظلال من الصور. ومع ذلك، تركز معظم النهج الحالية على العمل محليًا داخل المناطق المظللة وغير المظلدة، مما يؤدي إلى حدوث تشوهات شديدة حول حدود الظلال وعدم اتساق الإضاءة بين المناطق المظللة وغير المظلدة. لا يزال من الصعب بالنسبة لنموذج إزالة الظلال العميقة استغلال الترابط السياقي العالمي بين المناطق المظللة وغير المظلدة. في هذا البحث، نقترح أولًا نموذج ظل يستند إلى نظرية ريتينكس (Retinex)، ومن خلاله نطور شبكة جديدة تعتمد على متحولات (Transformer) تُسمى "شادو فورمر" (ShandowFormer) لاستغلال المناطق غير المظلدة في مساعدة استعادة المناطق المظللة. يتم استخدام إطار عمل انتباه القنوات متعدد المقاييس لالتقاط المعلومات العالمية بشكل هرمي. بناءً على ذلك، نقترح وحدة تفاعل الظلال (Shadow-Interaction Module - SIM) مع انتباه تفاعل الظلال (Shadow-Interaction Attention - SIA) في المرحلة الزجاجية لنمذجة الترابط السياقي بين المناطق المظللة وغير المظلدة بفعالية. أجرينا تجارب واسعة النطاق على ثلاثة مجموعات بيانات عامة شهيرة، بما في ذلك ISTD و ISTD+ و SRD، لتقييم الطريقة المقترحة. حققت طرحتنا أداءً يتفوق على أفضل ما تم تحقيقه حتى الآن باستخدام ما يصل إلى 150 مرة أقل من معلمات النموذج.