Flussbasierte Methoden haben vielversprechende Ergebnisse bei der Bewältigung der schlecht gestellten Natur der Super-Resolution (SR) gezeigt, indem sie die Verteilung hochauflösender (HR) Bilder mittels Normalisierungsfluss lernen. Allerdings können diese Methoden nur eine vordefinierte, feste Skalierung für die SR durchführen, was ihr Potenzial für Anwendungen in der Praxis einschränkt. Gleichzeitig gewinnt die beliebige Skalierung der SR zunehmend Aufmerksamkeit und hat erhebliche Fortschritte erzielt. Dennoch ignorieren bisherige Ansätze zur beliebigen Skalierung die schlecht gestellte Natur des Problems und trainieren das Modell mit einer pixelweisen L1-Verlustfunktion, was zu verschwommenen SR-Ausgaben führt. In dieser Arbeit schlagen wir „Local Implicit Normalizing Flow“ (LINF) als ein einheitliches Lösungsansatz für die oben genannten Probleme vor. LINF modelliert die Verteilung von Texturdetails unter verschiedenen Skalierungsfaktoren mittels Normalisierungsfluss. Dadurch kann LINF photo-realistische HR-Bilder mit reichhaltigen Texturdetails für beliebige Skalierungsfaktoren generieren. Wir evaluieren LINF in umfangreichen Experimenten und zeigen, dass LINF im Vergleich zu vorherigen Methoden zur beliebigen Skalierung die derzeit beste perceptuelle Qualität erreicht.