Die Bildrekonstruktion, einschließlich Bildrauschunterdrückung, Super-Resolution, Inpainting und weiterer Aufgaben, ist ein gut untersuchtes Problem im Bereich der Computer Vision und Bildverarbeitung sowie eine Testumgebung für Algorithmen des niedrigen Bildmodellierungslevels. In dieser Arbeit stellen wir ein sehr tiefes, vollständig konvolutionales Autoencoder-Netzwerk für die Bildrekonstruktion vor, das einen Encoder-Decoder-Architektur mit symmetrischen konvolutionalen und dekonvolutionalen Schichten verwendet. Mit anderen Worten besteht das Netzwerk aus mehreren Schichten von Konvolutions- und Dekonvolutions-Operationen, die end-to-end-Abbildungen von verfälschten Bildern auf die ursprünglichen Bilder lernen. Die konvolutionalen Schichten erfassen die Abstraktionen der Bildinhalte und gleichzeitig die Unterdrückung von Störungen. Die dekonvolutionalen Schichten besitzen die Fähigkeit, die Merkmalskarten zu vergrößern und feine Bilddetails wiederherzustellen. Um das Problem zu bewältigen, dass tiefere Netzwerke tendenziell schwieriger zu trainieren sind, schlagen wir vor, konvolutionale und dekonvolutionale Schichten symmetrisch über Skip-Verbindungen zu verknüpfen, wodurch das Training deutlich schneller konvergiert und bessere Ergebnisse erzielt werden.