Die lernbasierte Denoisierung von Bildern mittels diskriminativer Modelle hat in letzter Zeit erhebliche Aufmerksamkeit auf sich gezogen, da sie eine hervorragende Leistung bei der Bildrauschunterdrückung zeigt. In diesem Artikel gehen wir einen Schritt weiter, indem wir die Konstruktion von feed-forward Denoisierungskonvolutionellen neuronalen Netzen (DnCNNs) untersuchen, um die Fortschritte in sehr tiefen Architekturen, Lernalgorithmen und Regularisierungsmethoden in die Bildrauschunterdrückung einzubinden. Insbesondere werden Residual-Learning und Batch-Normalisierung eingesetzt, um den Trainingsprozess zu beschleunigen und die Leistung der Denoisierung zu verbessern. Im Gegensatz zu bestehenden diskriminativen Denoisierungsmodellen, die üblicherweise ein spezifisches Modell für additiven weißen Gaußschen Rauschen (AWGN) bei einer bestimmten Rauschstärke trainieren, ist unser DnCNN-Modell in der Lage, die Gaußsche Denoisierung bei unbekannter Rauschstärke (d. h. blindes Gaußsches Denoisieren) zu bewältigen. Durch die Anwendung der Residual-Learning-Strategie entfernt das DnCNN implizit das zugrundeliegende saubere Bild in den versteckten Schichten. Diese Eigenschaft motiviert uns, ein einziges DnCNN-Modell zu trainieren, das mehrere allgemeine Aufgaben der Bildrauschunterdrückung wie Gaußsches Denoisieren, Einzelbild-Super-Resolution und JPEG-Bild-Deblocking bewältigen kann. Unsere umfangreichen Experimente zeigen, dass das DnCNN-Modell nicht nur eine hohe Effektivität bei mehreren allgemeinen Aufgaben der Bildrauschunterdrückung aufweist, sondern auch effizient durch Nutzung der GPU-Computing-Technologie implementiert werden kann.