Ill-Posed Inverse Problems merupakan sebuah masalah yang tidak memiliki unique solution atau permasalahan tersebut dapat diselesaikan menggunakan beberapa cara pendekatan. Untuk mengatasi masalah ini, diusulkan pendekatan baru dengan menggunakan kerangka dari detail retaining convolutional neural network (DRCNN) yang terdiri dari dua module yaitu generation module & detail retaining module (DRM). Pada module pertama dilakukan penyisipan arsitektur convolutional neural network yang telah dikembangkan menjadi lebih kompleks yaitu depthwise separable convolutional (xception) bertujuan menghasilkan intermediate feature map yang lebih detail. Sedangkan pada module kedua bertujuan untuk mempertahankan hasil detail citra. Beberapa permasalahan ill-posed inverse imaging yang ditangani pada penelitian ini adalah inverse halftoning, image companding, dan color embedded grayscale. Berdasarkan hasil eksperimen menunjukan metode DRCNN dengan Xception dapat merekonstruksi citra dengan baik yang diukur menggunakan metrik PSNR dan SSIM dibandingkan metode-metode sebelumnya. Pada kasus halftone mengalami peningkatan rata-rata PSNR sebesar 3.091 dB dan SSIM sebesar 0.114. Kasus kedua yaitu image companding khususnya 2 bits mengalami peningkatan rata-rata PSNR 3.806 dB dan SSIM sebesar 0.136. Pada kasus terakhir yaitu embedded grayscale mengalami peningkatan rata-rata 8.365 dB dan SSIM sebesar 0.675. Dapat disimpulkan bahwa metode yang diusulkan dapat melakukan rekonstruksi citra dengan kualitas tinggi sehingga dapat menghasilkan citra yang lebih baik dan menyerupai citra aslinya.

Keywords: convolutional neural networks, deep learning, depthwise separable convolutional, ill-posed.