Ill-Posed Inverse Problems adalah sebuah permasalahan yang tidak memiliki unique solution atau permasalahan tersebut dapat diselesaikan menggunakan beberapa cara pendekatan. Untuk mengatasi masalah ini, diusulkan pendekatan baru dengan menggunakan noise fusion pada batch renormalization denoising network yang terdiri dari dua subnetwork, yaitu upper network dan lower network. Pada ujung batch renormalization denoising network dilakukan penyisipan arsitektur pixel correction network yang bertujuan untuk menghasilkan citra output hasil denoising yang lebih detail. Beberapa permasalahan ill-posed inverse imaging yang diselesaikan pada penelitian ini adalah inverse halftoning, impulsive noise removal, dan color embedded grayscale. Berdasarkan hasil eksperimen menunjukan metode noise fusion pada batch renormalization denoising network dengan pixel correction network dapat merekonstruksi citra dengan baik yang diukur menggunakan metrik PSNR dan SSIM dibandingkan metode-metode yang telah ada sebelumnya. Pada kasus halftone mengalami peningkatan rata-rata PSNR sebesar 3.34 dB dan SSIM sebesar 0.1058. Kasus kedua yaitu, impulsive noise removal untuk noise 30% mengalami peningkatan rata-rata PSNR 9.62 dB, untuk noise 50% mengalami peningkatan rata-rata PSNR 6.83 dB, dan untuk noise 70% mengalami peningkatan rata-rata PSNR 5.46 dB. Pada kasus terakhir, yaitu color embedded grayscale mengalami peningkatan rata-rata PSNR 8.38 dB dan SSIM sebesar 0.27. Dapat disimpulkan bahwa metode yang diusulkan dapat melakukan rekonstruksi citra dengan kualitas tinggi sehingga dapat menghasilkan citra yang lebih baik dan menyerupai citra aslinya.