بسبب سرعة الاستنتاج والأداء الجيد، تم دراسة طرق التعلم التمييزي على نطاق واسع في إزالة الضوضاء من الصور. ومع ذلك، تعتمد هذه الطرق في الغالب على تعلّم نموذج محدد لكل مستوى من مستويات الضوضاء، مما يتطلب استخدام نماذج متعددة لإزالة الضوضاء عن الصور التي تختلف في مستويات الضوضاء. كما تفتقر هذه الطرق إلى المرونة اللازمة للتعامل مع الضوضاء المتغيرة مكانيًا، ما يحد من تطبيقاتها في المهام العملية لإزالة الضوضاء. ولحل هذه المشكلات، نقدم شبكة عصبية تلافيفية لإزالة الضوضاء سريعة ومرنة تُسمى FFDNet، والتي تستخدم خريطة مستوى الضوضاء القابلة للتعديل كمدخل. تعمل FFDNet على صور فرعية مُختزلة (مُقلصة)، مما يحقق توازنًا جيدًا بين سرعة الاستنتاج والأداء في إزالة الضوضاء. على عكس طرق إزالة الضوضاء التمييزية الحالية، تتمتع FFDNet بعدة خصائص مرغوبة، منها: (i) القدرة على التعامل مع طيف واسع من مستويات الضوضاء (أي من [0 إلى 75]) باستخدام شبكة واحدة فقط، (ii) القدرة على إزالة الضوضاء المتغيرة مكانيًا من خلال تحديد خريطة مستوى ضوضاء غير متجانسة، و(iii) سرعة أعلى من المعيار BM3D حتى على وحدة المعالجة المركزية (CPU) دون التضحية بالأداء في إزالة الضوضاء. أُجريت تجارب واسعة على صور مُضافة إليها ضوضاء اصطناعية وواقعية لتقييم أداء FFDNet مقارنة بأساليب إزالة الضوضاء الرائدة. أظهرت النتائج أن FFDNet فعّالة وفعّالة من حيث الأداء، ما يجعلها جذابة للغاية للاستخدامات العملية في إزالة الضوضاء.