Die Entstörung realer Rauschsignale stellt eine herausfordernde Aufgabe dar, da die Statistiken realen Rauschens nicht der Normalverteilung folgen und zudem räumlich sowie zeitlich veränderlich sind. Um verschiedenen und komplexen realen Rauschmustern gerecht zu werden, schlagen wir eine gut generalisierbare Entstörarchitektur sowie ein Transfer-Learning-Schema vor. Konkret nutzen wir eine adaptive Instanznormalisierung, um einen Entstörer zu konstruieren, der die Merkmalskarten reguliert und so übermäßiges Anpassen (Overfitting) des Netzwerks an das Trainingsset verhindert. Außerdem führen wir ein Transfer-Learning-Schema ein, das Wissen, das aus synthetischem Rausch gelernt wurde, auf den Entstörer für reales Rauschen überträgt. Durch das vorgeschlagene Transfer-Learning kann der synthetische-Rausch-Entstörer allgemeine Merkmale aus verschiedenen synthetischen Rauschdatensätzen erlernen, während der Entstörer für reales Rauschen die spezifischen Eigenschaften echter Rauschsignale aus realen Daten aufnimmt. Experimentell zeigen wir, dass die vorgeschlagene Entstörungsmethode eine hervorragende Generalisierungsfähigkeit besitzt: Unser Netzwerk, das mit synthetischem Rausch trainiert wurde, erreicht auf dem Darmstadt Noise Dataset (DND) die beste Leistung unter allen in veröffentlichten Arbeiten vorgestellten Methoden. Zudem lässt sich beobachten, dass das vorgeschlagene Transfer-Learning-Schema robust für reale Rauschbilder funktioniert, selbst wenn nur eine sehr geringe Anzahl an gelabelten Daten zur Verfügung steht.