Convolutional Neural Network (CNN) telah banyak digunakan pada dataset yang tidak terstruktur salah satunya adalah image denoising. Image denoising merupakan proses rekonstruksi citra berderau yang bertujuan untuk mengurangi derau tambahan yang terjadi dari citra derau dengan berbagai strategi. Image denoising memiliki permasalahan yaitu beberapa metode image denoising memerlukan beberapa pengetahuan sebelumnya tentang informasi mengenai derau, seperti model derau, distribusi derau, dan tingkat derau, untuk mengurangi derau pada citra. Untuk mengatasi permasalahan tersebut digunakan arsitektur gabungan Convolutional Vision Transformer (CvT) dan Residual Networks (ResNet) yang dinamakan Residual Transformer Fusion Network (RTF-Net). Secara umum proses pada arsitektur ini dapat dibagi menjadi dua bagian, Noise Suppression Network (NSN) dan Structure Enhancement Network (SEN). Residual Block digunakan pada NSN dan digunakan untuk mempelajari peta derau pada citra, sedangkan CvT digunakan pada SEN dan digunakan untuk mempelajari detail yang perlu ditambahkan pada citra hasil pemrosesan oleh Noise Supression Network. Model dilatih dengan menggunakan dataset DIV2K Training Set, dan validasi menggunakan DIV2K Validation Set. Setelah dilakukan penelitian, model diuji dengan menggunakan citra Lena, Bridge, Pepper, dan BSD300 dengan tingkat derau 30%, 50%, dan 70% dan hasil PSNR dibandingkan dengan metode PARIGI, NLSF, NLSF-MLP dan NLSF-CNN. Rata-rata hasil pengujian menunjukkan bahwa metode yang diajukan (33.52 dB) 14.30% lebih unggul daripada metode terbaik sebelumnya yaitu NLSF-CNN (29.32).