非局所自己相似性は、画像ノイズ除去問題において効果的な事前情報であることが広く知られています。しかし、局所情報のみを活用するにもかかわらず、非局所モデルベースの手法を上回る畳み込みニューラルネットワークにこれを組み込む研究はほとんど行われていません。本論文では、グラフ畳み込み操作に基づいた層を用いる新しいエンドツーエンド学習可能なニューラルネットワークアーキテクチャを提案します。これにより、非局所受容野を持つニューロンが生成されます。グラフ畳み込み操作は、古典的な畳み込みを任意のグラフに一般化します。本研究では、ネットワークの隠れ特徴量間の類似性からグラフを動的に計算し、ネットワークの強力な表現学習能力を利用して自己相似パターンを発見します。また、この特定のグラフ畳み込みにおける勾配消失と過剰パラメータ化の問題に対処する軽量なエッジ条件付き畳み込み（Edge-Conditioned Convolution）を導入します。広範な実験結果は、合成ガウシアンノイズおよび実際のノイズに対して、質的および定量的に優れた性能を示しています。注：「エッジ条件付き畳み込み」は「Edge-Conditioned Convolution」の日本語訳です。