Trotz erheblicher Fortschritte bei der Schattenerkennung haben aktuelle Methoden weiterhin Schwierigkeiten mit dem negativen Einfluss von Hintergrundfarben, was zu Fehlern führen kann, wenn Schatten auf komplexen Hintergründen auftreten. Inspiriert durch das menschliche Sehsystem behandeln wir das Eingabebild mit Schatten als eine Komposition aus einer Hintergrund- und einer Schattenschicht und entwerfen ein Stilgeleitetes Doppelschicht-Entwirrungsnetzwerk (SDDNet), um diese Schichten unabhängig voneinander zu modellieren. Um dies zu erreichen, entwickeln wir ein Modul zur Merkmalsseparation und -rekombination (FSR), das mehrstufige Merkmale in schattenbezogene und hintergrundbezogene Komponenten zerlegt, indem es für jede Komponente spezialisierte Überwachung anbietet, während es die Informationsintegrität gewahrt und Redundanzen durch die Rekonstruktionsbedingung vermeidet. Darüber hinaus schlagen wir ein Modul zur Schattenstilfilterung (SSF) vor, um die Merkmalsentwirrung durch den Fokus auf stilistische Differenzierung und Uniformierung zu leiten. Mit diesen beiden Modulen und unserem Gesamtpipeline minimiert unser Modell effektiv die schädlichen Auswirkungen von Hintergrundfarben und erzielt überlegene Leistungen auf drei öffentlichen Datensätzen mit einer Echtzeit-Inferenzgeschwindigkeit von 32 FPS.