Masalah kompresi data dan pemulihan warna pada pengolahan citra digital dapat diatasi dengan pemanfaatan citra color-embedded-grayscale, yaitu citra grayscale yang disisipi informasi warna untuk mengurangi jumlah channel dan ukuran file. Model deep learning sering memberikan hasil pemulihan warna berkualitas tinggi, tetapi memiliki kendala pada kompleksitas parameter. Penelitian ini mengusulkan model Deep Residual Multi-Path Attention Network (DRMPANet) dan variasinya, DRMPANet-tiny, sebagai solusi yang lebih baik dibandingkan metode sebelumnya, dengan menggabungkan konsep multi-path, residual learning, dan attention mechanism untuk meningkatkan kualitas pemulihan warna sekaligus efisiensi parameter. Model dilatih dengan dataset DIV2K dan diuji dengan dataset KODAK24. Hasil pengujian menunjukkan bahwa jika dibandingkan dengan metode sebelumnya, model DRMPANet utama unggul dalam menghasilkan kualitas pemulihan warna terbaik dengan PSNR 32.76 dB dan SSIM 0.9332 menggunakan 644,478 parameter, sementara DRMPANet-tiny menawarkan alternatif yang lebih ringan dengan hanya 45,789 parameter, PSNR 31.86 dB, dan SSIM 0.9231. Model DRMPANet utama dipilih untuk aplikasi yang membutuhkan kualitas warna terbaik tanpa kompromi jumlah parameter, sedangkan DRMPANet-tiny cocok untuk aplikasi yang mengutamakan efisiensi parameter dan tetap mempertahankan kualitas pemulihan yang kompetitif dibandingkan metode sebelumnya.