نقدم scGAN، امتدادًا جديدًا لشبكات التوليد التنافسية الشرطية (GAN) مصمم خصيصًا لحل المشكلة الصعبة للكشف عن الظلال في الصور. تركز الطرق السابقة للكشف عن الظلال على تعلّم المظهر المحلي لمناطق الظلال، مع استخدام تفكير محدود في السياق المحلي على شكل احتمالات زوجية ضمن حقل عشوائي شرطي (Conditional Random Field). على النقيض، يتيح النهج التنافسي المقترح نمذجة علاقات على مستوى أعلى وسمات عالمية للمشهد. نُدرّب كاشف ظلال يتوافق مع وحدة المُولّد (Generator) في شبكة GAN شرطية، ونعزز دقة كشف الظلال من خلال دمج خسارة GAN التقليدية مع مصطلح خسارة البيانات. وبسبب التوزيع غير المتوازن لعلامات الظلال، نستخدم التباين العشوائي الموزون. ومع استخدام بنية GAN القياسية، يتطلب ضبط الوزن المناسب للانحراف العشوائي تدريب عدة شبكات GAN، وهي عملية مكلفة من حيث الحوسبة. في scGAN، نُدخل معلمة حساسية إضافية ( w ) إلى وحدة المُولّد. يُمكّن هذا النهج من معاملة الخسارة الخاصة بكاشف الظلال المدرب بشكل فعّال. يؤدي ذلك إلى كاشف ظلال واحد فقط قادر على إنتاج خرائط ظلال متناسبة مع مستويات حساسية مختلفة، مما يُلغِي الحاجة إلى نماذج متعددة وعملية تدريب مكلفة. قمنا بتقييم طريقة العمل لدينا على مجموعتي بيانات SBU وUCF الكبيرتين للكشف عن الظلال، ولاحظنا تقليلًا في الخطأ يصل إلى 17% مقارنة بالطريقة المُتفوّقة السابقة.