Wir schlagen ViDeNN vor: ein CNN für die Videoentrausung ohne vorheriges Wissen über die Rauschverteilung (blinde Entrausung). Die CNN-Architektur nutzt eine Kombination aus räumlichem und zeitlichem Filtern, wobei sie initially lernt, die Frames räumlich zu entrauschen, und gleichzeitig lernt, ihre zeitliche Information zu kombinieren. Dies ermöglicht es, Bewegungen von Objekten, Helligkeitsänderungen, schwache Beleuchtungsbedingungen und zeitliche Inkonsistenzen zu verarbeiten. Wir verdeutlichen die Bedeutung der für das Training von CNNs verwendeten Daten und erstellen hierfür einen spezifischen Datensatz für schwache Beleuchtungsbedingungen. Wir testen ViDeNN an gängigen Benchmarks sowie an selbst gesammelten Daten und erzielen gute Ergebnisse, die mit dem Stand der Technik vergleichbar sind.