推論速度が速く、性能も優れていることから、判別学習手法は画像ノイズ除去において広く研究されている。しかし、これらの手法は主に各ノイズレベルごとに特定のモデルを学習しており、異なるノイズレベルを持つ画像の除去には複数のモデルを必要とする。また、空間的に変化するノイズに対応する柔軟性に欠けており、実用的なノイズ除去応用において限界がある。このような問題を解決するため、ノイズレベルマップを可変入力として用いる高速かつ柔軟な畳み込みニューラルネットワーク、すなわちFFDNetを提案する。提案手法FFDNetは、ダウンサンプリングされた部分画像を対象として処理することで、推論速度とノイズ除去性能の間に良好なトレードオフを実現する。既存の判別型ノイズ除去手法と比較して、FFDNetは以下の望ましい特性を備えている：(i) 単一のネットワークで広範なノイズレベル（[0, 75]）を効果的に処理できる能力、(ii) 非一様なノイズレベルマップを指定することで空間的に変化するノイズを除去できる能力、(iii) ベンチマークとして用いられるBM3DよりもCPU上でも高速でありながら、ノイズ除去性能を損なわない。合成画像および実画像に対する多数の実験を通じて、最先端のノイズ除去手法と比較してFFDNetの性能を評価した結果、FFDNetは効果的かつ効率的であることが示された。このため、実用的なノイズ除去応用において非常に魅力的な手法であると結論づけられる。