Die dünnbesetzte Darstellung (sparse representation) in Bezug auf ein überkomplettes Wörterbuch (overcomplete dictionary) wird häufig bei der Regularisierung inverser Probleme in der Signal- und Bildverarbeitung eingesetzt. In den letzten Jahren hat das Modell des Faltungs-Dünnbesetzten Codierens (Convolutional Sparse Coding, CSC), bei dem das Wörterbuch aus translationsinvarianten Filtern besteht, erneut an Interesse gewonnen. Obwohl dieses Modell in einigen Bildverarbeitungsproblemen erfolgreich angewendet wurde, fällt es bei einfachen Aufgaben wie dem Rauschunterdrücken (denoising) immer noch hinter traditionelle patch-basierte Methoden zurück.In dieser Arbeit liefern wir neue Erkenntnisse zum CSC-Modell und seiner Fähigkeit, natürliche Bilder darzustellen, und legen eine bayesianische Verbindung zwischen diesem Modell und dessen patch-basierter Vorgänger her. Mit diesen Beobachtungen schlagen wir ein neues feed-forward Netzwerk vor, das einen MMSE-Näherungsprozess (MMSE approximation process) zum CSC-Modell verwendet, wobei gestreckte Faltungen (strided convolutions) angewendet werden. Die Leistungsfähigkeit dieser überwachten Architektur wird als gleichwertig zu den besten aktuellen Methoden gezeigt, während sie deutlich weniger Parameter verwendet.