Bisherige Arbeiten haben gezeigt, dass Faltungsneuronale Netze gute Leistungen bei Aufgaben der Bildrauschunterdrückung erzielen können. Aufgrund der begrenzten, lokal starren Faltungoperation führen diese Methoden jedoch zu Überglättungsartefakten. Ein tiefes Netzwerkarchitektur könnte diese Probleme abmildern, erfordert jedoch einen höheren Rechenaufwand. In diesem Artikel stellen wir ein neuartiges räumlich-adaptives Rauschunterdrückungsnetzwerk (SADNet) für eine effiziente Entfernung von Rauschen aus einzelnen Bildern ohne Kenntnis der Rauschstatistik vor. Um sich an Veränderungen in räumlichen Texturen und Kanten anzupassen, entwerfen wir einen residualen, räumlich-adaptiven Block. Deformable Faltung wird eingeführt, um räumlich korrelierte Merkmale für die Gewichtung zu samplingen. Eine Encoder-Decoder-Architektur mit einem Kontextblock wird implementiert, um multiskalare Informationen zu erfassen. Durch eine schrittweise Rauschunterdrückung von grob nach fein kann ein hochwertiges, rauschfreies Bild erzeugt werden. Wir testen unsere Methode an synthetischen und realen Rauschbild-Datensätzen. Die experimentellen Ergebnisse zeigen, dass unsere Methode sowohl quantitativ als auch visuell die der aktuellen State-of-the-Art-Methoden übertrifft.