In diesem Paper führen wir NBNet, einen neuartigen Ansatz für die Bildrauschunterdrückung, ein. Im Gegensatz zu früheren Arbeiten greifen wir das herausfordernde Problem aus einer neuen Perspektive an: Rauschreduktion durch bildadaptives Projektieren. Konkret schlagen wir vor, ein Netzwerk zu trainieren, das Signal und Rauschen trennt, indem es eine Menge von Rekonstruktionsbasen im Merkmalsraum lernt. Anschließend kann die Bildrauschunterdrückung erreicht werden, indem die entsprechenden Basen des Signalsubraums ausgewählt und der Eingabewert in diesen Raum projiziert wird. Unser zentrales Insight ist, dass die Projektion die lokale Struktur des Eingabesignals natürlicherweise bewahrt, insbesondere in Bereichen mit geringer Beleuchtung oder schwachen Texturen. Dazu entwickeln wir SSA, einen nicht-lokalen Subraum-Attention-Modul, der speziell darauf ausgelegt ist, die Basisgenerierung sowie die Subraumprojektion zu lernen. Wir integrieren SSA zudem in NBNet, ein UNet-Strukturiertes Netzwerk, das für die end-to-end-Bildrauschunterdrückung konzipiert ist. Wir führen Evaluierungen auf etablierten Benchmarks wie SIDD und DND durch und zeigen, dass NBNet eine state-of-the-art-Leistung hinsichtlich PSNR und SSIM erzielt, wobei der Rechenaufwand signifikant geringer ist.