近年、画像のノイズ除去において識別モデル学習が、優れたノイズ除去性能を発揮するため、注目を集めている。本研究では、非常に深いアーキテクチャ、学習アルゴリズム、正則化手法の進展を画像ノイズ除去に統合するため、前向きなノイズ除去畳み込みニューラルネットワーク（DnCNN）の構築を検討する。具体的には、残差学習（residual learning）とバッチ正規化（batch normalization）を用いることで、学習プロセスの高速化とノイズ除去性能の向上を実現している。従来の識別型ノイズ除去モデルは、特定のノイズレベルにおける加法性白色ガウスノイズ（AWGN）に対して個別にモデルを学習するが、本研究のDnCNNモデルは、ノイズレベルが未知のガウスノイズ除去（すなわち、ブラインドガウスノイズ除去）に対応可能である。残差学習戦略により、DnCNNは隠れ層内で潜在的なクリーン画像を暗黙的に除去する性質を持つ。この特性を活かし、単一のDnCNNモデルを用いて、ガウスノイズ除去、単一画像の超解像、JPEG画像のブロッキングノイズ除去といった複数の一般的な画像ノイズ除去タスクに同時に対応できるように学習することができる。広範な実験により、本DnCNNモデルが複数の一般的な画像ノイズ除去タスクにおいて高い効果を発揮すること、またGPU計算の利点を活かして効率的に実装可能であることが確認された。