画像の盲目的ノイズ除去は、実際の画像の複雑な取得プロセスにより、コンピュータビジョンにおいて重要な課題でありながら非常に困難な問題となっています。本研究では、ノイズ推定と画像ノイズ除去を一貫したベイジアンフレームワークに統合する新しい変分推論手法を提案します。具体的には、深層ニューラルネットワークによってパラメータ化された近似事後分布が提示され、この分布は入力されたノイジー画像を条件として内在的なクリーン画像とノイズ分散を潜在変数として取り扱います。この事後分布は、関与するすべてのハイパーパラメータに対して明確なパラメトリック形式を提供しており、テスト用ノイジー画像に対する自動的なノイズ推定と共に盲目的画像ノイズ除去に容易に実装できます。一方で、他のデータ駆動型の深層学習手法と同様に、当手法（変分デノイジングネットワーク：VDN）は事後分布表現の明確な形式により効率的にデノイジングを行うことができます。他方で、VDNは従来のモデル駆動型アプローチの利点を受け継いでおり、特に生成モデルの優れた汎化能力を持っています。VDNは高い解釈可能性があり、実際の状況で収集される複雑な非独立同一分布（non-i.i.d.）ノイズを柔軟に推定し除去することができます。包括的な実験が行われ、当手法が盲目的画像ノイズ除去において優れていることを証明しています。