L'ombre, en tant que conséquence naturelle de l'interaction de la lumière avec les objets, joue un rôle crucial dans la mise en forme de l'esthétique d'une image, bien qu'elle altère également la visibilité du contenu et la qualité visuelle globale. Les approches récentes de suppression des ombres utilisent le mécanisme d'attention, en raison de son efficacité, comme composant clé. Cependant, elles souffrent souvent de deux problèmes : une taille de modèle importante et une complexité computationnelle élevée pour un usage pratique. Pour remédier à ces lacunes, cette étude conçoit un cadre léger mais précis pour la suppression des ombres. Tout d'abord, nous analysons les caractéristiques de la tâche de suppression des ombres afin d'identifier les informations clés nécessaires à la reconstruction des zones ombrées et de concevoir un nouveau mécanisme d'attention régionale pour capturer efficacement ces informations. Ensuite, nous adaptons un Modèle de Suppression des Ombres par Attention Régionale (RASM, abrégé) qui utilise les zones non ombrées pour aider à restaurer les zones ombrées. Contrairement aux modèles existants basés sur l'attention, notre stratégie d'attention régionale permet à chaque zone ombrée d'interagir plus rationnellement avec ses zones non ombrées environnantes, afin de rechercher la corrélation contextuelle régionale entre les zones ombrées et non ombrées. De nombreuses expériences sont menées pour démontrer que notre méthode proposée offre des performances supérieures à celles des autres modèles de pointe en termes de précision et d'efficacité, ce qui la rend attrayante pour des applications pratiques.