En este documento, proponemos un marco de entrenamiento de ruido en vecindario interpretable de extremo a extremo (INNT) para abordar el problema de interpretaciones inconsistentes entre muestras limpias y ruidosas en el entrenamiento de ruido. El entrenamiento de ruido convencionalmente implica incorporar muestras ruidosas en el conjunto de entrenamiento, seguido de un entrenamiento de generalización. Sin embargo, las interpretaciones visuales sugieren que los modelos pueden estar aprendiendo la distribución de ruido en lugar de las características objetivo robustas deseadas. Para mitigar este problema, reformulamos el objetivo de entrenamiento de ruido para minimizar la consistencia de interpretación visual de imágenes en el vecindario de muestra. Diseñamos un término de regularización de restricción de distancia de activación de ruido para hacer cumplir la similitud de mapas de características de alto nivel entre muestras limpias y ruidosas. Además, mejoramos la estructura del entrenamiento de ruido al volver a muestrear iterativamente el ruido para representar con mayor precisión el vecindario de muestra. Además, se introduce ruido de vecindario para lograr un muestreo de vecindario de muestra más intuitivo. Finalmente, realizamos pruebas cualitativas y cuantitativas en diferentes arquitecturas de CNN y conjuntos de datos públicos. Los resultados indican que INNT conduce a una justificación de decisión más consistente y equilibra la precisión entre muestras ruidosas y limpias.