L'élimination des ombres à partir d'une seule image reste généralement un problème ouvert. La plupart des méthodes existantes basées sur l'apprentissage utilisent l'apprentissage supervisé et nécessitent un grand nombre d'images appariées (images avec ombres et images correspondantes sans ombres) pour l'entraînement. Une méthode récente non supervisée, Mask-ShadowGAN~\cite{Hu19}, aborde cette limitation. Cependant, elle nécessite un masque binaire pour représenter les régions ombragées, ce qui la rend inapplicable aux ombres douces. Pour résoudre ce problème, dans cet article, nous proposons un réseau d'élimination des ombres guidé par un classificateur de domaine non supervisé, appelé DC-ShadowNet. Plus précisément, nous proposons d'intégrer un classificateur de domaine ombragé/sans ombre dans un générateur et son discriminateur, leur permettant de se concentrer sur les régions ombragées. Pour entraîner notre réseau, nous introduisons de nouvelles pertes basées sur la chromatique sans ombre fondée sur la physique, les caractéristiques perceptuelles robustes aux ombres et la lissité des contours. De plus, nous montrons que notre réseau non supervisé peut être utilisé pour l'entraînement au moment du test, améliorant encore davantage les résultats. Nos expériences montrent que tous ces nouveaux éléments permettent à notre méthode de gérer les ombres douces et de performer mieux quantitativement et qualitativement sur les ombres dures par rapport aux méthodes actuelles d'élimination des ombres de pointe. Notre code est disponible à l'adresse suivante : \url{https://github.com/jinyeying/DC-ShadowNet-Hard-and-Soft-Shadow-Removal}.