Wir präsentieren ein Framework für computergestütztes Geisterbild (computational ghost imaging) basierend auf tiefem Lernen und angepassten Rosa-Noise-Spekkelmustern (pink noise speckle patterns). Das tiefe neuronale Netzwerk in dieser Arbeit, das das Sensormodell lernen und die Bildrekonstruktionsqualität verbessern kann, wird ausschließlich durch Simulation trainiert. Um das unter-Nyquist-Level in unserer Arbeit zu demonstrieren, werden die traditionellen Ergebnisse des computergestützten Geisterbilds mit den rekonstruierten Bildern verglichen, die unter verschiedenen Rauschbedingungen und bei mehreren Abtastfrequenzen mit Weißem Rauschen (white noise) und Rosa Noise durch tiefes Lernen erstellt wurden. Wir zeigen, dass das vorgeschlagene Verfahren hochwertige Bilder mit einer Abtastfrequenz von 0,8 % liefern kann, selbst wenn das Objekt nicht im Trainingsdatensatz enthalten ist, und es ist robust gegenüber rauscharmen Umgebungen. Diese Methode eignet sich hervorragend für verschiedene Anwendungen, insbesondere solche, die eine niedrige Abtastfrequenz, eine schnelle Rekonstruktions-effizienz oder starke Rauschbeeinflussung erfordern.