التشابه الذاتي غير المحلي معروف بأنه مسبق فعال لمشكلة إزالة الضوضاء من الصور. ومع ذلك، لم يتم إجراء الكثير من الأعمال لدمجه في شبكات العصبونات المتلافهة، والتي تتفوق على الطرق القائمة على النماذج غير المحلية رغم أنها تستغل فقط المعلومات المحلية. في هذا البحث، نقترح هندسة شبكة عصبية قابلة للتدريب من البداية إلى النهاية وتستخدم طبقات تعتمد على عمليات التفاف الرسم البياني (Graph Convolution)، مما يخلق خلايا عصبية ذات مجالات استقبال غير محلية. عملية التفاف الرسم البياني تعمم التفاف الكلاسيكي إلى أي رسوم بيانية. في هذه الدراسة، يتم حساب الرسم البياني ديناميكياً من التشابهات بين الخصائص المخفية للشبكة، بحيث يتم استغلال قدرات التعلم التمثيلي القوية للشبكة لاكتشاف الأنماط المتشابهة ذاتياً. نقدم عملية تفاف مشروطة بالحافة (Edge-Conditioned Convolution) خفيفة الوزن تعالج مشاكل الانحدار المتصاعد والتقدير الزائد لهذه العملية الخاصة بالرسم البياني. أظهرت التجارب الواسعة أداءً رائداً مع تحسين النتائج النوعية والكمية على كل من الضوضاء الغaussian الصناعي والضوضاء الحقيقي.