画像ノイズ除去において、深層畳み込みニューラルネットワーク（CNN）は空間的に不変なノイズの除去において優れた性能を発揮することができる。しかし、多くのCNNは画像取得や伝送中に発生する実際のノイズ（すなわち空間的に変化するノイズ）の除去には十分な性能を発揮できず、実用的な画像ノイズ除去タスクへの応用を大きく制限している。ネットワークの深さを継続的に増加させるのではなく、多くの研究者らはネットワークの幅を拡張することもモデル性能向上に有効であることを示している。また、特徴量フィルタリングがモデルの学習能力を向上させることも実証されている。本稿では、広大なモデル構造の利点と注目機構を用いた特徴学習の両方を備えた新しい二重枝構造残差注目ネットワーク（DRANet）を提案する。提案するDRANetは、二つの異なる並列枝から構成されており、補完的な特徴を捉えることでモデルの学習能力を強化する。上部枝と下部枝それぞれに、新規の残差注目ブロック（RAB）と新しいハイブリッド拡張残差注目ブロック（HDRAB）を設計した。RABおよびHDRABは、異なる畳み込み層間の複数のスキップ接続を通じて豊かな局所特徴を捉え、残差注目モジュールによって不要な特徴を排除する。同時に、各枝内の長距離スキップ接続および二つの並列枝間のグローバル特徴統合により、グローバル特徴の捉えも可能となる。さらに、提案するDRANetはダウンサンプリング操作と拡張畳み込み（dilated convolutions）を用いて受容 field（受容野）を拡大し、より多くの画像文脈情報を捉えることを可能にしている。広範な実験により、従来の最先端のノイズ除去手法と比較して、合成ノイズおよび実世界ノイズの両方において、DRANetが競争力のあるノイズ除去性能を達成できることを示した。