モデルベース最適化手法と識別学習手法は、低レベルビジョンにおけるさまざまな逆問題を解くための2つの主要な戦略である。通常、これら2種類の手法はそれぞれ独自の利点と欠点を有している。例えば、モデルベース最適化手法は、異なる逆問題に対応する柔軟性に優れているが、良好な性能を発揮するためには複雑な事前知識（プライアリ）を必要とし、計算に時間がかかる傾向がある。一方、識別学習手法はテスト時の高速性に優れるものの、専門的なタスクに限定された応用範囲という制約がある。近年の研究では、変数分割技術を活用することで、ノイズ除去器（denoiser）の事前知識をモデルベース最適化手法のモジュール的な構成要素として組み込み、他の逆問題（例えば、ぼけ除去）を解くことが可能であることが明らかになった。特に、識別学習によって得られたノイズ除去器を用いる場合、この統合により顕著な利点が得られる。しかし、高速な識別学習型ノイズ除去器を用いた統合に関する研究はまだ不足している。本研究では、高速かつ効果的なCNN（畳み込みニューラルネットワーク）型ノイズ除去器の学習セットを構築し、それをモデルベース最適化手法に統合して他の逆問題を解決することを目的とする。実験結果から、学習されたノイズ除去器の集合は、ガウスノイズ除去において優れた性能を達成するだけでなく、さまざまな低レベルビジョン応用においても、優れた性能を発揮するための事前知識として有効であることが示された。