Die Nicht-Lokale Selbstähnlichkeit ist bekannt für ihre Effektivität als Prior bei der Bildrauscherkennung. Trotzdem wurde bisher wenig Arbeit darauf verwendet, sie in Faltungsneuronale Netze (CNNs) zu integrieren, die Modell-basierte nicht-lokale Methoden übertreffen, obwohl sie nur lokale Informationen ausnutzen. In dieser Arbeit schlagen wir eine neuartige, von Anfang bis Ende trainierbare Neuronalnetz-Architektur vor, die Schichten basierend auf Graphfaltungsvorgängen einsetzt, wodurch Neuronen mit nicht-lokalen Rezeptorfeldern entstehen. Der Graphfaltungs-Vorgang verallgemeinert die klassische Faltung auf beliebige Graphen. In dieser Studie wird der Graph dynamisch anhand der Ähnlichkeiten zwischen den verborgenen Merkmalen des Netzwerks berechnet, sodass die leistungsstarken Darstellungslernfähigkeiten des Netzwerks genutzt werden können, um selbstähnliche Muster aufzudecken. Wir führen eine leichtgewichtige Kantenbedingte Faltung (Edge-Conditioned Convolution) ein, die spezielle Probleme wie verschwindende Gradienten und Überparametrisierung bei diesem bestimmten Graphfaltungsverfahren anspricht. Umfangreiche Experimente zeigen Spitzenleistungen mit verbesserten qualitativen und quantitativen Ergebnissen sowohl bei synthetischem Gaußschen Rauschen als auch bei realen Rauschsignalen.