深層学習に基づく手法は画像のノイズ除去において最先端の結果を示していますが、バッチ正規化や残差学習、特徴領域処理などの理解が不十分な構成要素を使用しているため、解釈が困難です。展開最適化ネットワークは、古典的な反復最適化手法からアーキテクチャを導き出し、標準的な深層学習ツールボックスのトリックを使わないことで、解釈可能な代替手段として提案されています。これまでに、このような手法は最先端モデルに近い性能を示しながら、解釈可能な構造を利用して比較的少ない学習パラメータ数を達成しています。本研究では、展開畳み込み辞書学習ネットワーク（Convolutional Dictionary Learning Network: CDLNet）を提案し、低パラメータ数と高パラメータ数の両方で競合するノイズ除去性能を示します。特に、提案されたモデルは同程度のパラメータ数にスケーリングした場合、最先端のノイズ除去モデルを上回ることが示されました。さらに、モデルの解釈可能な構造を利用し、ネットワークの閾値を拡張することで、最先端の盲目的ノイズ除去性能と訓練中に見られなかったノイズレベルに対するほぼ完璧な汎化能力を実現しました。