本論文では、非対応データを使用した新たな影除去手法を提案し、煩雑なアノテーションを回避しつつ、より多様な訓練サンプルを獲得することを目指しています。しかし、直接敵対的学習やサイクル一貫性制約を適用するだけでは、影領域と影なし領域の間の潜在的な関係を学習することは不十分です。これは、影付き画像と影なし画像の間のマッピングが単純な一対一の関係ではないためです。この問題に対処するために、Mask-ShadowGANという新しい深層学習フレームワークを定式化しました。このフレームワークは、入力された影付き画像から自動的に影マスクを生成し、そのマスクを利用して再定式化されたサイクル一貫性制約を通じて影の生成をガイドします。特に、このフレームワークは同時に影マスクの生成と影除去を学習し、全体的な性能を最大化することを目指しています。また、我々は非対応データセットを作成し、さまざまな実験においてMask-ShadowGANの有効性を示しました。この手法は非対応データで訓練されたにもかかわらず、高い性能を発揮することが確認されました。