Neuere Methoden des tiefen Lernens haben vielversprechende Ergebnisse bei der Entfernung von Bildschatten erzielt. Dennoch konzentrieren sich die meisten bestehenden Ansätze auf lokale Bereiche innerhalb von Schatten- und Nicht-Schattenregionen, was zu schwerwiegenden Artefakten an den Schattenrändern sowie zu inkonsistentem Beleuchtungseffekt zwischen Schatten- und Nicht-Schattenregionen führt. Es ist weiterhin eine Herausforderung für Modelle zur tiefen Schattenentfernung, die globale kontextuelle Korrelation zwischen Schatten- und Nicht-Schattenregionen auszunutzen. In dieser Arbeit schlagen wir zunächst ein Retinex-basiertes Schattenmodell vor, aus dem wir ein neuartiges transformerbasiertes Netzwerk ableiten, das als "ShandowFormer" bezeichnet wird, um Nicht-Schattenregionen zu nutzen, die der Restauration von Schattenregionen helfen. Ein mehrskaliger Kanal-Aufmerksamkeitsrahmen wird eingesetzt, um die globale Information hierarchisch zu erfassen. Auf dieser Grundlage entwickeln wir ein Schatten-Interaktionsmodul (SIM) mit Schatten-Interaktionsaufmerksamkeit (SIA) im Flaschenhalsbereich, um die Kontextkorrelation zwischen Schatten- und Nicht-Schattenregionen effektiv zu modellieren. Wir führen umfangreiche Experimente auf drei gängigen öffentlichen Datensätzen durch, einschließlich ISTD, ISTD+ und SRD, um die vorgeschlagene Methode zu evaluieren. Unsere Methode erreicht den aktuellen Stand der Technik durch die Verwendung von bis zu 150-mal weniger Modellparametern.