Hochaufgelöste digitale Bilder werden in der Regel abgetastet, um auf verschiedene Anzeigegeräte zu passen oder die Kosten für Speicherplatz und Bandbreite zu reduzieren. Gleichzeitig wird eine nachfolgende Aufskalierung angewendet, um die ursprüngliche Auflösung oder die Details in vergrößerten Bildern wiederherzustellen. Typische Abtastverfahren sind jedoch nicht injektiv aufgrund des Verlusts hochfrequenter Informationen, was das Problem der inversen Aufskalierung als schlecht gestellt bezeichnet und erhebliche Herausforderungen bei der Wiederherstellung von Details aus den abgetasteten Niedrigauflösungsbildern darstellt. Die einfache Anwendung von Super-Resolution-Methoden führt zu unzureichenden Wiederherstellungsleistungen. In dieser Arbeit schlagen wir einen neuen Ansatz vor, um dieses Problem durch Modellierung der Abtast- und Aufskalierungsprozesse als invertierbare bijektive Transformation zu lösen, wodurch die schlecht gestellte Natur der Bildaufskalierung weitgehend gemindert werden kann. Wir entwickeln ein invertierbares Reskalierungsnetzwerk (Invertible Rescaling Net, IRN) mit sorgfältig konzipiertem Framework und Zielen, um visuell ansprechende Niedrigauflösungsbilder zu erzeugen und gleichzeitig die Verteilung der verlorenen Informationen mithilfe einer latenten Variablen zu erfassen, die einer spezifischen Verteilung folgt. Auf diese Weise wird die Aufskalierung durchgeführbar, indem eine zufällig gezogene latente Variable zusammen mit dem Niedrigauflösungsbild rückwärts durch das Netzwerk geleitet wird. Experimentelle Ergebnisse zeigen erhebliche Verbesserungen unseres Modells im Vergleich zu bestehenden Methoden hinsichtlich sowohl quantitativer als auch qualitativer Bewertungen der Bildaufskalierungswiederherstellung aus abgetasteten Bildern.