我々は、2次元および3次元（2D/3D）のバイオメディカル画像データのノイズ除去に向けた新しい敵対的歪み学習（Adversarial Distortion Learning: ADL）を提案します。提案されたADLは、ノイズ除去器と識別器という2つのオートエンコーダから構成されています。ノイズ除去器は入力データからノイズを取り除き、識別器はノイズが除去された結果とノイズのない参照画像を比較します。このプロセスは、識別器がノイズが除去されたデータと参照データを区別できなくなるまで繰り返されます。両方のノイズ除去器と識別器は、効率的な特徴マップの抽出と再利用を可能にする新しいピラミダルアプローチをバックボーンに使用する、提案されたオートエンコーダであるEfficient-Unetに基づいて構築されています。Efficient-Unetは軽量なアーキテクチャを持ち、残差ブロックを使用しています。訓練中に、テクスチャ情報とコントラストは2つの新しい損失関数によって制御されます。Efficient-Unetのアーキテクチャにより、提案手法は任意の種類のバイオメディカルデータに一般化することが可能です。我々のネットワークの2D版はImageNetで訓練され、その分布とは全く異なるバイオメディカルデータセットでテストされました；したがって、再訓練の必要はありません。磁気共鳴画像（MRI）、皮膚鏡検査像、電子顕微鏡像およびX線画像データセットにおける実験結果は、提案手法が各ベンチマークにおいて最良の性能を達成したことを示しています。我々の実装および事前学習済みモデルは、https://github.com/mogvision/ADL で公開されています。