Wir stellen scGAN vor, eine neuartige Erweiterung bedingter Generativer adversarischer Netzwerke (GANs), die speziell für das anspruchsvolle Problem der Schattenerkennung in Bildern entwickelt wurde. Bisherige Ansätze zur Schattenerkennung konzentrieren sich darauf, die lokale Erscheinung von Schattenregionen zu lernen, wobei jedoch nur begrenzte lokale Kontextschlussfolgerungen mittels Paarpotentiale in einem bedingten Zufallsfeld genutzt werden. Im Gegensatz dazu ist der vorgeschlagene adversarische Ansatz in der Lage, höhere Zusammenhänge und globale Szenenmerkmale zu modellieren. Wir trainieren einen Schatten-Detektor, der der Generator einer bedingten GAN entspricht, und verbessern dessen Genauigkeit bei der Schattenidentifikation durch die Kombination der typischen GAN-Verlustfunktion mit einem Datensatzverlustterm. Aufgrund der unbalancierten Verteilung der Schattenlabels verwenden wir gewichtete Kreuzentropie. Bei der Standard-GAN-Architektur würde die angemessene Einstellung des Gewichts für die Kreuzentropie die Ausführung mehrerer GAN-Trainings erfordern, was ein rechenintensiver Gitterverfahren darstellt. In scGAN führen wir einen zusätzlichen Empfindlichkeitsparameter w in den Generator ein. Der vorgeschlagene Ansatz parametrisiert effektiv den Verlust des trainierten Detektors. Das resultierende Schattendetektionsmodell ist ein einzelnes Netzwerk, das Schattenkarten für unterschiedliche Empfindlichkeitsstufen erzeugen kann, wodurch die Notwendigkeit mehrerer Modelle und eines kostspieligen Trainingsverfahrens entfällt. Wir evaluieren unsere Methode anhand der großskaligen SBU- und UCF-Schatten-Datensätze und beobachten eine bis zu 17 %-ige Reduktion des Fehlers im Vergleich zur vorherigen State-of-the-Art-Methode.