Aufgrund der schnellen Inferenz und der guten Leistung wurden diskriminativen Lernmethoden im Bereich der Bildentrauschung weitgehend untersucht. Diese Methoden lernen jedoch meist ein spezifisches Modell für jede Rauschstärke und erfordern mehrere Modelle, um Bilder mit unterschiedlichen Rauschniveaus zu entrauschen. Zudem fehlt ihnen die Flexibilität, um räumlich variierendes Rauschen zu behandeln, was ihre Anwendbarkeit in praktischen Entrauschungsszenarien einschränkt. Um diese Probleme zu lösen, stellen wir einen schnellen und flexiblen Entrauschungs-Convolutional Neural Network (FFDNet) vor, der eine einstellbare Rauschstärkekarte als Eingabe verwendet. Der vorgeschlagene FFDNet arbeitet auf untersampelten Teilbildern und erreicht ein gutes Gleichgewicht zwischen Inferenzgeschwindigkeit und Entrauschungsleistung. Im Gegensatz zu bestehenden diskriminativen Entrauschern verfügt FFDNet über mehrere erwünschte Eigenschaften: (i) die Fähigkeit, eine breite Palette von Rauschniveaus (d. h. [0, 75]) mit einem einzigen Netzwerk effektiv zu bewältigen, (ii) die Möglichkeit, räumlich variierendes Rauschen durch Angabe einer nicht uniformen Rauschstärkekarte zu entfernen, sowie (iii) eine höhere Geschwindigkeit als die Benchmark-Methode BM3D – sogar auf einer CPU – ohne die Entrauschungsleistung einzubüßen. Umfangreiche Experimente an synthetischen und realen verrauschten Bildern wurden durchgeführt, um FFDNet im Vergleich zu aktuellen State-of-the-Art-Entrauschern zu bewerten. Die Ergebnisse zeigen, dass FFDNet effektiv und effizient ist und somit besonders attraktiv für praktische Anwendungen im Bereich der Bildentrauschung ist.