إزالة الظلال هي موضوع مهم في استعادة الصور، ويمكن أن تُفيد العديد من المهام في الرؤية الحاسوبية. تُعتمد الطرق الحديثة الأكثر تقدماً لإزالة الظلال عادةً على التعلم العميق من خلال تقليل الفرق على مستوى البكسل بين المنطقة المُزالة للظل ونسخة (مُصطنعة) خالية من الظلال المقابلة لها. بعد إزالة الظل، قد تظهر مناطق الظل ومناطق الخلوص من الظلال تبايناً في المظهر، مما يؤدي إلى صورة تبدو بصرياً غير متناسقة. ولحل هذه المشكلة، نقترح شبكة لإزالة الظلال موجهة بنمط (SG-ShadowNet) لتحسين التماسك النمطي للصورة بعد إزالة الظلال. في شبكة SG-ShadowNet، نقوم أولاً بتعلم تمثيل النمط للمنطقة الخالية من الظلال باستخدام مُقدّر بسيط لنمط المنطقة. ثم نُقدّم استراتيجية تطبيع جديدة وفعّالة تعتمد على نمط المنطقة لضبط المنطقة المُعاد تغطيتها بشكل خشن بحيث تتماشى بشكل أفضل مع بقية الصورة. تُظهر التجارب الواسعة أن SG-ShadowNet المقترحة تتفوّق على جميع النماذج التنافسية الحالية، وتحقق أداءً متميزاً جديداً على مجموعات بيانات اختبار ISTD+ وSRD وVideo Shadow Removal. يمكن الوصول إلى الكود من خلال: https://github.com/jinwan1994/SG-ShadowNet.