基于流的方法通过利用归一化流（normalizing flow）学习高分辨率（HR）图像的分布，在解决超分辨率（SR）问题的病态性方面展现了令人瞩目的成果。然而，这类方法通常只能实现预设的固定缩放倍数的超分辨率，限制了其在真实场景中的应用潜力。与此同时，任意尺度超分辨率（arbitrary-scale SR）近年来受到越来越多关注，并取得了显著进展。尽管如此，以往的任意尺度超分辨率方法往往忽视了问题的病态本质，采用逐像素L1损失进行模型训练，导致生成结果模糊，细节缺失。针对上述问题，本文提出“局部隐式归一化流”（Local Implicit Normalizing Flow, LINF），作为一种统一的解决方案。LINF利用归一化流建模不同缩放因子下图像纹理细节的分布，从而能够在任意缩放倍数下生成具有丰富纹理细节、逼真自然的高分辨率图像。通过大量实验验证，LINF在感知质量方面显著优于现有的任意尺度超分辨率方法，达到了当前最优水平。