Ill-posed merupakan suatu masalah yang tidak memiliki solusi khusus atau dengan kata lain bisa memiliki lebih dari satu solusi. Banyak jenis masalah pemrosesan citra yang termasuk adalah ill-posed seperti denoising, companding, inverse halftoning, dan lain sebagainya. Tantangan utama dari penelitian ini adalah untuk menghilangkan noises sambil mempertahankan struktur, detail, dan tekstur dari citra. Penelitian ini mengusulkan pendekatan deep learning yaitu CNN menggunakan kerangka dari detail retaining convolutional neural network untuk mengatasi kasus ill-posed sambil tetap berusaha mempertahankan detail dari citra yang direkonstruksi. Penelitian ini menggunakan kerangka DRCNN yang terdiri dari dua module yaitu generation module dimana nanti akan disisipkan model share source residual module, dan detail retaining module. Berdasarkan hasil penelitian, nilai PSNR dan SSIM yang didapatkan mampu melampaui metode-metode sebelumnya. Metode yang diusulkan, dalam kasus inverse halftoning menghasilkan peningkatan PSNR sebesar 0.57 dB dan SSIM sebesar 0.0006 dibandingkan metode terbaik sebelumnya yaitu SWD. Kasus image companding terutama pada 2 bit, metode yang diusulkan menghasilkan peningkatan PSNR sebesar
0.65 dB dan SSIM sebesar 0.0323 dibandingkan metode terbaik sebelumnya yaitu DRCNN. Pada kasus impulsive noise removal terlebih pada citra Lena dengan rasio noise 70%, metode yang diusulkan menghasilkan peningkatan PNSR sebesar 3.74 dB dibandingkan metode sebelumnya yaitu DRCNN.
Keywords: Convolutional Neural Network, Detail Retaining Convolutional Neural Network, Ill-posed, Inverse Halftoning, Image Companding, Impulsive Noise Removal, Share Source Residual Module.
