Boosting ist ein klassischer Algorithmus, der erfolgreich auf diverse Aufgaben im Bereich des maschinellen Sehens angewendet wurde. Im Kontext der Bildrauschunterdrückung werden die bestehenden Boosting-Algorithmen jedoch von neu aufkommenden lernbasierten Modellen übertroffen. In diesem Artikel stellen wir einen neuen tiefen Boosting-Framework (DBF) für die Rauschunterdrückung vor, der mehrere Faltungsnetzwerke in einer feed-forward-Architektur integriert. Die Integration dieser Netzwerke führt jedoch zu einer erheblichen Erhöhung der Tiefe des Boosting-Frameworks, was die Trainierung erschwert. Um dieses Problem zu lösen, führen wir den Begriff der dichten Verbindung ein, die das Verschwinden von Gradienten während des Trainings überwindet. Darüber hinaus schlagen wir eine Pfad-erweiternde Fusionsstrategie vor, die in Kombination mit dilatierten Faltungen ein leichtgewichtiges und dennoch effizientes Faltungsnetzwerk als Boosting-Einheit bildet, das wir als Dilated Dense Fusion Network (DDFN) bezeichnen. Umfassende Experimente zeigen, dass unser DBF gegenüber bestehenden Methoden auf gängigen Benchmarks in Bezug auf verschiedene Aufgaben der Rauschunterdrückung hervorragende Ergebnisse erzielt.