Wir schlagen einen allgemeinen Rahmen zur Reduzierung von Rauschen in hochdimensionalen Messungen vor, der weder ein Vorwissen über das Signal noch eine Schätzung des Rauschens oder saubere Trainingsdaten erfordert. Die einzige Annahme ist, dass das Rauschen statistische Unabhängigkeit über verschiedene Dimensionen der Messung aufweist, während das wahre Signal einige Korrelationen zeigt. Für eine breite Klasse von Funktionen („$\mathcal{J}$J-invariant“), ist es dann möglich, die Leistung eines Rauschreduzierers allein aus rauschigen Daten zu schätzen. Dies ermöglicht es uns, $\mathcal{J}$J-invariante Versionen jedes parametrisierten Rauschreduzierungsalgorithmus zu kalibrieren, sei es vom einzelnen Hyperparameter eines Medianfilters bis hin zu den Millionen von Gewichten eines tiefen neuronalen Netzes. Wir demonstrieren dies anhand natürlicher Bild- und Mikroskopiedaten, bei denen wir die Rauschunabhängigkeit zwischen Pixeln nutzen, sowie anhand von Einzelnzellen-Geneexpressionsdaten, bei denen wir die Unabhängigkeit zwischen Detektionen einzelner Moleküle ausnutzen. Dieser Rahmen verallgemeinert jüngste Arbeiten zum Training neuronaler Netze aus rauschigen Bildern und zur Kreuzvalidierung für Matrixfaktorisierung.