Während tiefe Faltungsschicht-Neuronale Netze (CNNs) außergewöhnliche Fähigkeiten zur Modellierung spezifischer Rauschen und deren Reduktion gezeigt haben, performieren sie bei realen, rauschigen Bildern immer noch schlecht. Der Hauptgrund dafür ist, dass reales Rauschen komplexer und vielfältiger ist. Um das Problem der blinden Rauschreduktion anzugehen, schlagen wir in dieser Arbeit ein neues pyramidenförmiges reales Bildrauschreduktionsnetzwerk (PRIDNet) vor, das drei Stufen umfasst. Zunächst nutzt die Rauschschätzungsebene ein Kanal-Aufmerksamkeitsmechanismus, um die Bedeutung der Eingangsrauschkanaele neu zu kalibrieren. Anschließend wird bei der Mehrskalen-Rauschreduktionsebene Pyramiden-Pooling verwendet, um Merkmale auf verschiedenen Skalen zu extrahieren. Schließlich adoptiert die Merkmalsfusionsebene eine Kernelselektionsoperation, um die Merkmale auf verschiedenen Skalen anpassungsfähig zu fusionieren. Experimente mit zwei Datensätzen von realen rauschigen Fotografien zeigen, dass unser Ansatz sowohl hinsichtlich quantitativer Maße als auch visueller Wahrnehmungsqualität vergleichbare Leistungen wie die besten aktuellen Rauschreduzierer erzielen kann. Der Quellcode ist unter https://github.com/491506870/PRIDNet verfügbar.