Dieses Papier stellt eine neue Methode zur Schattenentfernung mithilfe von unverbundenen Daten vor, die es ermöglicht, mühsame Annotationen zu vermeiden und vielfältigere Trainingsbeispiele zu erhalten. Allerdings ist die direkte Anwendung von adversarialem Lernen und zyklischen Konsistenzbedingungen allein nicht ausreichend, um das zugrundeliegende Verhältnis zwischen den Schatten- und schattenfreien Bereichen zu erlernen, da die Zuordnung zwischen Schattenbildern und schattenfreien Bildern nicht einfach eindeutig ist. Um dieses Problem anzugehen, formulieren wir Mask-ShadowGAN, einen neuen tiefen Framework, der automatisch lernt, aus dem Eingangsbild mit Schatten eine Schattenmaske zu generieren und dann diese Maske verwendet, um die Schattengenerierung durch neu formulierte zyklische Konsistenzbedingungen zu steuern. Insbesondere lernt das Framework gleichzeitig, Schattenmasken zu erzeugen und Schatten zu entfernen, um die Gesamtleistung zu maximieren. Darüber hinaus haben wir einen unverbundenen Datensatz für die Schattenentfernung vorbereitet und die Effektivität von Mask-ShadowGAN in verschiedenen Experimenten demonstriert, auch wenn es auf unverbundenen Daten trainiert wurde.