أظهرت الطرق القائمة على التدفق نتائج واعدة في معالجة الطبيعة غير المحددة جيدًا للمشكلة في التكبير الفائق (SR) من خلال تعلم توزيع الصور عالية الدقة (HR) باستخدام التدفق الطبيعي. ومع ذلك، فإن هذه الطرق تقتصر على تنفيذ تكبير محدد مسبقًا بمقاييس ثابتة، مما يحد من إمكاناتها في التطبيقات الواقعية. في المقابل، أصبح التكبير بمقاييس عشوائية (arbitrary-scale SR) موضوع اهتمام متزايد، وحقق تقدمًا كبيرًا. ورغم ذلك، فإن الطرق السابقة للتكبير بمقاييس عشوائية تتجاهل مشكلة الطبيعة غير المحددة جيدًا، وتدرب النموذج باستخدام خسارة L1 لكل بكسل، ما يؤدي إلى نتائج تكبير ضبابية. في هذا العمل، نقترح "التدفق الطبيعي الضمني المحلي" (LINF) كحل موحد للمشكلتين المذكورتين. يُمثّل LINF توزيع تفاصيل النسيج تحت مختلف عوامل التكبير باستخدام التدفق الطبيعي، مما يمكّن LINF من إنتاج صور عالية الدقة واقعية بصريًا، وغنية بتفاصيل النسيج، بعوامل تكبير عشوائية. وقد قمنا بتقييم LINF من خلال تجارب واسعة، وأظهرنا أن LINF تحقق أفضل جودة إدراكية مقارنة بالطرق السابقة للتكبير بمقاييس عشوائية.