ll-posed inverse imaging merupakan sebuah permasalahan pada image processing yang dapat diselesaikan dengan berbagai solusi. Permasalahanpermasalah tersebut dapat diselesaikan dengan pendekatan convolutional neural network (CNN). Penelitian ini mengusulkan pendekatan yang berbasis CNN untuk permasalahan Ill-posed inverse imaging dengan berusaha mengembalikan detail yang hilang dengan penambahan arsitektur Residual Network. Dari hasil penelitian didapatkan nilai PSNR dan SSIM yang melampaui metode sebelumnya. Hasil penelitian pada kasus Image Companding memberikan peningkatan nilai PSNR sebesar 3.615 dB dan SSIM sebesar 0.053 dibandingkan dengan metode sebelumnya yaitu DRCNN. Pada kasus Inverse Halftoning metode yang diusulkan memberikan peningkatan nilai PSNR sebesar 0.701 dB namun untuk rata-rata SSIM mengalami penurunan sebesar 0.0004 terhadap metode yang sebelumnya yaitu SWD. Dan kasus Color-Embedded Grayscale mengalami peningkatan PSNR sebesar 0.886 dB dan SSIM sebesar 0.01 dibandingkan dengan metode terbaik sebelumnya yaitu DRCNN. Dapat disimpulkan bahwa arsitektur yang diusulkan berhasil menyelesaikan permasalahan ill-posed inverse imaging lebih baik daripada metode terbaik sebelumnya jika dilihat dari nilai PSNR dan SSIM yang dihasilkan.