Debido a COVID-19, la educación en línea se ha convertido en una herramienta importante para que los profesores enseñen a los estudiantes. Además, los profesores dependen de un sistema de enseñanza multimedia (plataforma) para completar la educación en línea. Sin embargo, las imágenes interactivas de un sistema de enseñanza multimedia pueden verse afectadas por ruido. Para abordar este problema, proponemos una red ligera de eliminación de ruido de imágenes (LIDNet) para sistemas de enseñanza multimedia. Una red paralela puede usarse para extraer información complementaria. Para lograr una CNN adaptativa, una convolución dinámica omni-dimensional fusionada en una red superior puede ajustar automáticamente los parámetros para lograr una CNN robusta, de acuerdo con diferentes imágenes ruidosas de entrada. Esto también amplía la diferencia en la arquitectura de la red, lo que puede mejorar el efecto de eliminación de ruido. Para refinar la información estructural obtenida, se establece una red serial detrás de una red paralela. Para extraer información más relevante, se utiliza una unidad lineal rectificada paramétrica adaptativa compuesta por un mecanismo de atención y un ReLU en LIDNet. Los experimentos muestran que nuestro método propuesto es efectivo en la eliminación de ruido de imágenes, lo que también puede proporcionar asistencia para los sistemas de enseñanza multimedia.