Wir schlagen ein tiefes, vollständig konvolutionsbasiertes neuronales Netzwerk mit einer neuen Schichtart vor, der sogenannten Median-Schicht, um Bilder zu restaurieren, die durch Salz-und-Pfeffer-Rauschen (s&p) verschmutzt sind. Eine Median-Schicht führt einfach eine Medianfilterung auf allen Merkmalskanälen durch. Durch das Hinzufügen dieser Art von Schichten zu einigen weit verbreiteten vollständig konvolutionsbasierten tiefen neuronalen Netzen entwickeln wir ein End-to-End-Netzwerk, das extrem hochgradiges s&p-Rauschen entfernt, ohne irgendeine nicht-triviale Vorverarbeitung durchzuführen. Dies unterscheidet sich von allen bisherigen Veröffentlichungen im Bereich der s&p-Rauschentfernung. Experimente zeigen, dass die Einfügung von Median-Schichten in ein einfaches vollständig konvolutionsbasiertes Netzwerk mit dem L2-Verlust den Signal-Rausch-Verhältnis erheblich verbessert. Quantitative Vergleiche belegen, dass unser Netzwerk bei einer begrenzten Menge an Trainingsdaten den Stand der Technik übertrifft. Der Quellcode wurde veröffentlicht, um öffentliche Bewertungen und Anwendungen zu ermöglichen (https://github.com/llmpass/medianDenoise).