In dieser Arbeit schlagen wir einen neuesten Video-Entrauschungsalgorithmus vor, der auf einer Faltungsneuronalen Netzwerkarchitektur (Convolutional Neural Network) basiert. Frühere Ansätze zur Video-Entrauschung mit neuronalen Netzen haben sich als erfolglos erwiesen, da ihre Leistung nicht mit der von patch-basierten Methoden mithalten konnte. Unser Ansatz jedoch übertrifft andere patch-basierte Konkurrenten bei deutlich kürzeren Rechenzeiten. Im Gegensatz zu anderen existierenden neuronalen Netzwerken zur Entrauschung zeichnet sich unser Algorithmus durch mehrere wünschenswerte Eigenschaften aus, wie z.B. einem geringen Speicherbedarf und der Fähigkeit, eine breite Palette von Rauschpegeln mit einem einzelnen Netzwerkmodell zu verarbeiten. Die Kombination seiner Entrauschungsleistung und des niedrigeren Rechenaufwands macht diesen Algorithmus für praktische Anwendungen attraktiv. Wir vergleichen unsere Methode sowohl visuell als auch anhand objektiver Qualitätsmetriken mit verschiedenen neuesten Algorithmen. Die Experimente zeigen, dass unser Algorithmus den anderen neuesten Methoden überlegen ist. Video-Beispiele, Code und Modelle sind öffentlich verfügbar unter \url{https://github.com/m-tassano/dvdnet}.