La séparation des composantes de réflexion diffuse et spéculaire est un problème complexe et ouvert dû à l'ambiguïté du processus de formation d'images. Nous proposons une nouvelle approche de suppression de spécularités, sous la forme d'un réseau convolutif qui prend une image en entrée et génère en sortie sa partie diffuse. Il s'agit d'un réseau génératif adverse, où la fonction de coût adverse est combinée à une fonction de coût de régularisation. En contraste avec les réseaux adverses classiques, le discriminateur est multi-classes et non binaire, ce qui lui permet de se concentrer sur des caractéristiques plus pertinentes des images. De manière plus formelle, cela apporte deux termes de gradient supplémentaires pour trouver la distribution du domaine diffus. Nous entraînons notre modèle sur une base de données synthétiques, que nous avons pensées spécifiquement pour la tâche demandée. Nous montrons enfin que notre méthode opère de ma nière plus consistente sur une plus grande diversité de scènes que l'état de l'art.