Le retrait des ombres est un sujet crucial dans le domaine de la restauration d’images, et il peut apporter des bénéfices à de nombreuses tâches en vision par ordinateur. Les méthodes de pointe actuelles pour le retrait des ombres s’appuient généralement sur l’apprentissage profond, en minimisant la différence au niveau des pixels entre la région dé-ombrée et sa version correspondante (pseudo) sans ombre. Toutefois, après le retrait des ombres, les régions ombrées et non ombrées peuvent présenter un aspect incohérent, entraînant une image visuellement déséquilibrée. Pour résoudre ce problème, nous proposons un réseau de retrait d’ombres guidé par le style, appelé SG-ShadowNet, afin d’améliorer la cohérence stylistique des images après le retrait des ombres. Dans SG-ShadowNet, nous commençons par apprendre la représentation stylistique de la région non ombrée à l’aide d’un estimateur simple de style régional. Ensuite, nous introduisons une nouvelle stratégie efficace de normalisation basée sur le style au niveau de la région, permettant d’ajuster la région ombrée reconstruite de manière grossière afin qu’elle s’intègre harmonieusement avec le reste de l’image. Des expériences étendues montrent que notre SG-ShadowNet surpasser tous les modèles existants compétitifs et atteint une nouvelle performance de pointe sur les jeux de données de référence ISTD+, SRD et Video Shadow Removal. Le code est disponible à l’adresse suivante : https://github.com/jinwan1994/SG-ShadowNet.