Les méthodes d'apprentissage profond récentes ont obtenu des résultats prometteurs dans la suppression des ombres sur les images. Cependant, les images restaurées souffrent encore de défauts de bord insatisfaisants, en raison du manque d'intégration des modèles de dégradation et de la capacité limitée de modélisation. Notre travail aborde ces problèmes en proposant un cadre de diffusion unifié qui intègre à la fois les a priori sur l'image et les a priori de dégradation pour une suppression d'ombres très efficace. Plus précisément, nous proposons tout d'abord un modèle de dégradation des ombres, qui nous inspire pour construire un nouveau modèle de diffusion itératif, baptisé ShadowDiffusion (ShandowDiffusion). Ce modèle améliore considérablement la capacité du modèle à supprimer les ombres en affinant progressivement la sortie souhaitée grâce aux a priori de dégradation et aux a priori génératifs diffusifs, ce qui peut servir de nouvelle base solide pour la restauration d'images. De plus, ShadowDiffusion affine progressivement le masque d'ombre estimé comme tâche auxiliaire du générateur de diffusion, ce qui conduit à une génération d'images sans ombre plus précise et robuste. Nous menons des expériences approfondies sur trois jeux de données publics populaires, incluant ISTD, ISTD+ et SRD, pour valider l'efficacité de notre méthode. Comparativement aux méthodes les plus avancées actuellement disponibles, notre modèle réalise une amélioration significative en termes de PSNR (Peak Signal-to-Noise Ratio), passant de 31,69 dB à 34,73 dB sur le jeu de données SRD.