تُدرَّس الشبكات العصبية التلافيفية العميقة (CNNs) لتنقية الفيديو عادةً بأسلوب مراقب، بافتراض توفر مقاطع فيديو نظيفة. ومع ذلك، في العديد من التطبيقات، مثل المجاهر الضوئية، لا تتوفر مقاطع فيديو خالية من الضوضاء. ولحل هذه المشكلة، نقترح نموذجًا جديدًا يُسمى "نظام تنقية فيديو عميق غير مراقب" (UDVD)، وهو معمارية CNN صُممت لتُدرَّب حصريًا على بيانات مُضطربة. وتُظهر أداء UDVD تقاربًا كبيرًا مع أفضل النماذج المراقبة المتطورة حاليًا، حتى عند تدريبه على فيديو مُضطرب قصير واحد فقط. ونُظهر إمكانات نهجنا في تطبيقات التصوير الواقعية من خلال تنقية مقاطع فيديو خام، وبيانات المجهر الفلورسنتي، والمجهر الإلكتروني. وعلى عكس العديد من النماذج الحالية لتنقية الفيديو، لا يتطلب UDVD معالجة حركة صريحة (motion compensation). وهذا ميزة كبيرة، لأن معالجة الحركة تُعد مكلفة من حيث الحوسبة، وقد تكون غير موثوقة عندما تكون البيانات المدخلة مُضطربة. كما أظهر تحليل مبني على المشتقات أن UDVD يتكيف تلقائيًا مع الحركة المحلية في مقاطع الفيديو المضطربة المُدخلة. وبالتالي، يتعلم الشبكة تنفيذ معالجة حركة ضمنية، رغم أنها لم تُدرَّس إلا على تنقية الضوضاء.