尽管卷积神经网络（CNNs）在阴影检测任务中取得了显著进展，但仍容易在暗色非阴影区域以及相对明亮的阴影区域出现误判，且对光照变化较为敏感。这两种现象表明，现有的深度阴影检测方法严重依赖于亮度线索，我们将其称为“亮度偏差”（intensity bias）。为此，本文提出一种新颖的特征分解与重加权机制，以缓解该亮度偏差问题。该方法通过自监督学习，将多层级融合特征分解为亮度相关与亮度无关两类成分，并通过对这两类特征进行重加权，使模型能够更合理地分配注意力，从而实现对潜在语义信息的均衡利用。在三个主流数据集上的大量实验结果表明，所提方法在性能上优于当前最先进的阴影检测算法。