Las redes neuronales convolucionales profundas (CNNs) se han vuelto populares para la eliminación de ruido en imágenes debido a sus sólidas capacidades de aprendizaje. Sin embargo, muchos métodos tienden a aumentar el campo receptivo para mejorar el rendimiento, lo que conduce a resultados sobre-suavizados y pérdida de información crítica de alta frecuencia, como bordes y texturas. En esta investigación, presentamos una innovadora red de eliminación de ruido de extremo a extremo llamada red convolucional dinámica de compuerta de ruido (NGDCNet). Al integrar mecanismos de convolución dinámica y compuerta de ruido, nuestro enfoque reduce efectivamente el ruido mientras conserva detalles finos de la imagen. A través de una serie de experimentos, realizamos una evaluación exhaustiva de NGDCNet comparándola cuantitativa y visualmente con métodos de eliminación de ruido de última generación. Además, proporcionamos un estudio de ablación para analizar las contribuciones de los bloques de convolución dinámica y los bloques de compuerta de ruido. Nuestros hallazgos experimentales demuestran que NGDCNet sobresale en la reducción de ruido mientras preserva información esencial de textura.