Modellbasierte Optimierungsverfahren und diskriminative Lernverfahren sind die beiden dominierenden Ansätze zur Lösung verschiedener inverser Probleme im Bereich der Low-Level-Vision. Typischerweise weisen diese beiden Methoden jeweils ihre eigenen Stärken und Schwächen auf: So sind modellbasierte Optimierungsverfahren flexibel einsetzbar für unterschiedliche inverse Probleme, erfordern jedoch oft hohe Rechenzeiten und komplizierte Vorwissen, um eine gute Leistung zu erzielen; im Gegensatz dazu zeichnen sich diskriminative Lernverfahren durch eine schnelle Testphase aus, sind jedoch aufgrund ihrer spezifischen Aufgabenorientierung stark eingeschränkt hinsichtlich ihres Anwendungsbereichs. Neuere Arbeiten haben gezeigt, dass sich mit Hilfe von Variablen-Spalttechniken ein Denoisier-Vorwissen als modulare Komponente in modellbasierte Optimierungsverfahren integrieren lässt, um auch andere inverse Probleme (z. B. Entschärfung) zu lösen. Eine solche Integration bietet erhebliche Vorteile, insbesondere dann, wenn das Denoisier-Modell mittels diskriminativen Lernverfahren erworben wurde. Die Forschung zu einer Integration mit schnellen diskriminativen Denoisier-Vorwissen bleibt jedoch bisher unzureichend untersucht. Ziel dieser Arbeit ist es daher, eine Reihe schneller und effektiver CNN-(Convolutional Neural Network)-Denoisier zu trainieren und diese in modellbasierte Optimierungsverfahren zu integrieren, um andere inverse Probleme zu lösen. Experimentelle Ergebnisse zeigen, dass die gelernte Denoisier-Menge nicht nur vielversprechende Ergebnisse bei der Gausschen Denoisierung erzielt, sondern auch als Vorwissen zur Erzielung guter Leistung in verschiedenen Anwendungen der Low-Level-Vision genutzt werden kann.