Viele grundlegende Probleme im Bereich der Bildverarbeitung beinhalten Deconvolutions-Operatoren. Reale Verzerrungsdegradation entspricht selten einem idealen linearen Faltungsmodell, da Faktoren wie Kamerarauschen, Sättigung, Bildkompression usw. eine Rolle spielen. Anstatt Ausreißer perfekt zu modellieren – was aus der Perspektive generativer Modelle äußerst herausfordernd ist – entwickeln wir ein tiefes faltendes neuronales Netzwerk, um die Eigenschaften der Degradation zu erfassen. Wir stellen fest, dass die direkte Anwendung bestehender tiefer neuronaler Netzwerke keine zufriedenstellenden Ergebnisse liefert. Unser Ansatz besteht darin, eine Verbindung zwischen traditionellen, auf Optimierung basierenden Verfahren und einer neuronalen Netzarchitektur herzustellen, wobei eine neuartige, separierbare Struktur eingeführt wird, die eine zuverlässige Grundlage für eine robuste Deconvolution gegenüber Artefakten bildet. Unser Netzwerk besteht aus zwei Submodulen, die beide unter Verwendung einer geeigneten Initialisierung im überwachten Lernverfahren trainiert wurden. Im Vergleich zu früheren methoden basierend auf generativen Modellen erzielen sie eine ansprechende Leistung bei der nicht-blinden Bilddeconvolution.