Salt-and-pepper noise merupakan salah satu tantangan utama dalam berbagai aplikasi computer vision, terutama dalam aplikasi kritis seperti citra medis. Berbagai pendekatan berbasis deep learning menunjukkan kinerja yang baik untuk image denoising, terutama melalui implementasi transformer untuk jenis noise non-Gaussian. Namun, transformer memerlukan komputasi tinggi karena mekanisme attention global. Penelitian ini mengusulkan Residual Swin Transformer Fusion Network (RSTF-Net) yang mengintegrasikan keunggulan Swin Transformer dan ResNet. RSTF-Net memanfaatkan hierarchical window-based attention untuk mengurangi kompleksitas komputasi sambil mempertahankan kemampuan pemodelan global dalam menghilangkan salt-and-pepper noise. Penelitian menggunakan dataset DIV2K untuk training dan validation set. Pengujian model dilakukan dengan menghitung nilai PSNR dan SSIM yang dihasilkan n menggunakan citra Lena, Bridge, Pepper, dan BSD300 dengan tingkat derau 30%, 50%, dan 70% . Hasil eksperimen menunjukkan RSTF-Net memperoleh nilai rata-rata PSNR sebesar 35.56 dB, menunjukkan kinerja yang lebih baik dibandingkan metode sebelumnya dengan efisiensi komputasi yang jauh lebih baik. Pengurangan yang signifikan pada jumlah paramater, tetapi tetap menaikkan hasil PSNR menunjukkan bahwa metode ini efektif menghilangkan salt-and-pepper noise sambil mempertahankan detail struktural citra.