Citra grayscale yang direstorasi menjadi citra berwarna seringkali menunjukkan hasil yang tidak memuaskan, seperti penyimpangan warna dan checkerboard artifacts ketika menggunakan metode transformasi wavelet dan transformasi fourier. Penggunaan deep learning untuk memperbaiki kekurangan ini telah banyak diteliti dan menunjukkan hasil yang lebih baik. Oleh karena itu, penelitian ini mengusulkan pendekatan baru dengan menggunakan residual attention network untuk meningkatkan kualitas citra grayscale yang dikembalikan ke citra berwarna. Pendekatan ini melakukan pengaturan hyperparameter arsitektur untuk mendapatkan hasil pemulihan warna yang optimal, kemudian melakukan evaluasi kualitatif terhadap kinerja metode yang diusulkan, dan juga memeriksa secara visual persepsi kualitas gambar yang dipulihkan warna. Penelitian ini menggunakan data training dan validation dari dataset DIV2K dan data testing dari dataset Kodak24. Hasil yang diperoleh menunjukkan rata-rata PSNR sebesar 31,11 dB dan SSIM sebesar 0,9122 yang menunjukkan bahwa metode yang diusulkan memiliki performansi yang lebih baik dari metode sebelumnya.