Les images affectées par les ombres présentent souvent des disparités spatiales marquées en termes de couleur et d'éclairage, ce qui dégrade considérablement diverses applications de vision, notamment les systèmes de détection et de segmentation d'objets. Pour éliminer efficacement les ombres dans les images du monde réel tout en préservant les détails complexes et en produisant des résultats visuellement convaincants, nous introduisons un réseau de suppression et de raffinement des ombres sans masque (ShadowRefiner) basé sur la Transformée de Fourier Rapide. Plus précisément, le module de suppression des ombres de notre méthode vise à établir des correspondances efficaces entre les images affectées par les ombres et celles exemptes d'ombres grâce à l'apprentissage des représentations spatiales et fréquentielles. Afin d'atténuer le désalignement des pixels et d'améliorer encore davantage la qualité des images, nous proposons une nouvelle architecture de Transformer basée sur l'Attention Rapide-Fourier (Fast-Fourier Attention based Transformer (FFAT)), où un mécanisme d'attention innovant est conçu pour un raffinement minutieux. Notre méthode remporte le championnat dans la catégorie Perceptuelle et obtient la deuxième meilleure performance dans la catégorie Fidélité du Défi NTIRE 2024 sur la Suppression des Ombres dans les Images. De plus, les résultats expérimentaux complets démontrent également l'efficacité convaincante de notre méthode proposée. Le code est disponible publiquement : https://github.com/movingforward100/Shadow_R.