图像阴影去除是图像预处理中必不可少的一步,可以提高计算机视觉和图形任务的性能,但阴影去除效果往往受到场景、光照条件、物体表面反射率的多样性等因素影响,因此如何克服特征提取时面临的诸多困难,实现鲁棒图像阴影去除仍然值得深入研究。该文在生成对抗网络算法基础上,融合敏感参数、谱归一化、自注意力机制等多种结构,从特征提取、模型优化和准确度提升等几方面,提出以下三种改进算法:首先,针对堆叠条件生成对抗网络在图像阴影去除过程中网络不灵活的问题,提出敏感参数堆叠条件生成对抗网络图像阴影去除算法。首先以阴影图像作为生成器（generator）G1的输入,提取图像中阴影区域、非阴影区域、阴影非阴影边界特征,生成阴影掩膜（shadow mask）。然后将阴影图像和阴影掩膜结合作为生成器G2的输入,实现图像的阴影去除,两个鉴别器D1、D2分别对两个生成器G1、G2的训练过程进行监督。其次,针对循环一致性生成对抗网络在图像阴影去除中网络模型不稳定的问题,提出谱归一化循环一致生成对抗网络的图像阴影去除算法。使用循环一致性网络结合谱归一化,先从阴影图像学习,输入阴影图像,通过生成器G1生成无阴影图像,在阴影掩膜Ml引导下,通过生成器G2将G1生成的无阴影图像输出为阴影图像;再从无阴影图像学习,输入无阴影图像,在阴影掩膜Mr引导下,通过生成器G2生成阴影图像,通过生成器G1将G2生成的阴影图像输出为无阴影图像。同时,采用结合谱归一化的鉴别器D1、D2分别对以上两个过程进行监督。最后,针对生成对抗网络不能更好提取图像中包含的语义信息与像素之间联系,提出注意力生成对抗网络的阴影去除算法。利用对抗性训练建立了一个专注生成网络（an attentive generative network）。在生成器网络中加入注意力机制,注意力机制通过训练学习图像中阴影区域、非阴影区域和阴影非阴影边界,生成注意力图,生成器根据阴影图像和注意力图生成无阴影图像。鉴别器对此过程进行监督,鉴别图像真假。