深層学習のパラダイムは、顕著な性能向上を実現したため、現代の画像ノイズ除去手法における標準的なツールとして定着している。既存の手法は、学習時に遭遇したノイズ分布に対して優れた性能を発揮することが示されているが、未知のノイズ種類や一般的かつ現実的なノイズへの一般化能力に課題を抱えている。これは、モデルがノイズ画像からそのクリーンな対応画像へのペアマッピングを学習する設計となっているため、自然な帰結である。本研究では、同一のクリーン画像に対する異なるノイズ付加バージョンが共通の潜在空間を共有すると仮定する直感的な前提に基づき、ノイズ画像の潜在的なクリーン特徴を分離する学習を提案する。この目的を達成するために、潜在的なクリーン画像を観測することなく、自己教師学習フレームワークを導入する。同一画像の2つの異なるノイズ付加バージョンを入力として用いることで、提案するマルチビュー自己教師学習分離法（MeD）は、ノイズ成分とクリーン特徴を分離し、結果としてクリーン画像を復元する能力を学習する。合成ノイズおよび実際のノイズを用いた広範な実験により、従来の自己教師学習手法と比較して、特に未知の新しいノイズタイプに対して優れた性能を示すことが確認された。実際のノイズ条件下では、従来の教師あり手法を上回る性能（3 dB以上）を達成した。