Hochaufgelöste (HR) Bilder werden in der Regel auf niedrige Auflösung (LR) heruntergefüllt, um eine bessere Anzeige zu ermöglichen, und anschließend wieder auf die ursprüngliche Größe hochskaliert, um Details wiederherzustellen. Kürzliche Arbeiten im Bereich der Bildreskalierung formulieren Herunterskalierung und Hochskalierung als ein vereintes Problem und lernen eine bijektive Abbildung zwischen HR und LR durch invertierbare Netze. Allerdings führt die verlustbehaftete Kompression in realen Anwendungen (z.B. sozialen Medien) zu einem irreversiblen Informationsverlust bei LR-Bildern, was den inversen Hochskalierungsprozess schädigt und die Rekonstruktionsgenauigkeit verschlechtert. In dieser Arbeit schlagen wir das Selbstasymmetrische Invertierbare Netzwerk (SAIN) für eine kompressionsbewusste Bildreskalierung vor. Um den Verteilungsverschiebung zu bewältigen, entwickeln wir zunächst einen end-to-end asymmetrischen Rahmen mit zwei getrennten bijektiven Abbildungen für hochwertige und komprimierte LR-Bilder. Anschließend modellieren wir basierend auf einer empirischen Analyse dieses Rahmens die Verteilung der verlorenen Informationen (einschließlich Herunterskalierung und Kompression) mittels isotroper Gaußscher Mischmodelle und schlagen den Erweiterten Invertierbaren Block vor, um hochwertige/komprimierte LR-Bilder in einem Vorwärtsdurchgang abzuleiten. Darüber hinaus entwerfen wir eine Reihe von Verlustfunktionen, um die gelernten LR-Bilder zu regulieren und die Invertierbarkeit zu verbessern. Ausführliche Experimente zeigen konsistente Verbesserungen des SAIN über verschiedene Bildreskalierungsdatensätze hinweg, sowohl in quantitativer als auch in qualitativer Hinsicht unter standardmäßigen Bildkompressionsformaten (d.h., JPEG und WebP).