이미지 분류 시스템을 학습하는 데에는 사전 정의된 라벨이 바인딩 된 이미지 셋이 필요하다. 하지만 이러한 과정 속 시스템의 공격 목적으로 이러한 이미지 셋을 오염시켜 시스템의 정확도를 해하기도 한다. 본 연구에서는 학습의 강건성을 유지하기 위해 오염 이미지는 정규화 전처리 후 적대적인공신경망으로 복원한다. 적대적인공신경망은 DnCNN의 복원 이미지 생성자와 CNN의 오염 판별자 두 개의 인공신경망으로 구성되어 있다. 복원된 이미지의 복원을 검증하기 위해 벤치마크용 ResNet 분류 시스템을 구성하여 정확도 향상을 확인하였다. 그 결과 오염 데이터를 이용해 학습한 분류시스템 대비 최대 4.9%p의 정확도 향상 효과가 있었다. 이 연구를 통해 검증 시간이 오래 걸리거나 제어할 수 없는 각종 요인으로 오염된 이미지 학습데이터로 인해 이미지 분류 시스템의 정확도가 낮아지는 현상의 개선을 기대할 수 있다.