Nous introduisons scGAN, une nouvelle extension des réseaux antagonistes génératifs conditionnels (GAN) conçue pour aborder le problème difficile de la détection des ombres dans les images. Les méthodes précédentes se concentrent sur l’apprentissage de l’apparence locale des régions ombragées, tout en exploitant une raisonnement contextuel local limité sous la forme de potentiels appariés dans un champ aléatoire conditionnel. En revanche, l’approche antagoniste proposée permet de modéliser des relations de niveau supérieur ainsi que les caractéristiques globales de la scène. Nous entraînons un détecteur d’ombres correspondant au générateur d’un GAN conditionnel, et améliorons sa précision grâce à une combinaison de la perte classique du GAN avec un terme de perte sur les données. En raison de la distribution déséquilibrée des étiquettes d’ombres, nous utilisons une entropie croisée pondérée. Avec l’architecture standard de GAN, le réglage approprié du poids de l’entropie croisée nécessiterait l’entraînement de plusieurs GAN, une procédure coûteuse en ressources computationnelles. Dans scGAN, nous introduisons un paramètre de sensibilité supplémentaire w au générateur. Cette approche permet une paramétrisation efficace de la perte du détecteur entraîné. Le détecteur d’ombres résultant est un unique réseau capable de générer des cartes d’ombres correspondant à différents niveaux de sensibilité, éliminant ainsi la nécessité de plusieurs modèles et d’une procédure d’entraînement coûteuse. Nous évaluons notre méthode sur les grands jeux de données SBU et UCF dédiés aux ombres, et observons une réduction d’erreur pouvant atteindre 17 % par rapport à la méthode état de l’art précédente.