Tiefe Faltungsneuronale Netze (CNNs) erzielen bessere Ergebnisse bei Bildern, die räumlich invariantes Rauschen (synthetisches Rauschen) enthalten; ihre Leistungsfähigkeit ist jedoch bei realen, verrauschten Fotografien begrenzt und erfordert ein Mehrgang-Netzwerkmodell. Um die Praktikabilität von Entrauschungsalgorithmen zu verbessern, schlägt dieser Artikel ein neuartiges einstufiges blindes Entrauschungsnetzwerk für reale Bilder (RIDNet) vor, das eine modulare Architektur verwendet. Wir setzen eine Residual-on-Residual-Struktur ein, um den Fluss von Niederfrequenzinformationen zu erleichtern, und wenden Feature Attention an, um die Kanalabhängigkeiten auszunutzen. Darüber hinaus zeigen Bewertungen in Bezug auf quantitative Metriken und visuelle Qualität an drei synthetischen und vier realen verrauschten Datensätzen im Vergleich zu 19 Stand-of-the-Art-Algorithmen die Überlegenheit unseres RIDNet.