Les images numériques à haute résolution sont généralement réduites pour s'adapter à divers écrans d'affichage ou pour économiser les coûts de stockage et de bande passante, tandis que l'échelonnage ultérieur est adopté pour restaurer la résolution originale ou les détails des images agrandies. Cependant, le rééchantillonnage typique des images est une application non injective en raison de la perte d'informations à haute fréquence, ce qui entraîne un problème mal posé lors de la procédure inverse d'échelonnage et pose de grands défis pour la récupération des détails à partir des images à faible résolution réduites. Un simple échelonnage avec des méthodes de super-résolution d'image donne des performances de récupération insatisfaisantes. Dans cette étude, nous proposons de résoudre ce problème en modélisant les processus de réduction et d'échelonnage sous un nouvel angle, c'est-à-dire une transformation bijective inversible, qui peut largement atténuer la nature mal posée de l'échelonnage d'image. Nous développons un réseau d'échelonnage inversible (Invertible Rescaling Net - IRN) avec une architecture et des objectifs soigneusement conçus pour produire des images à faible résolution agréables visuellement tout en capturant la distribution des informations perdues au moyen d'une variable latente suivant une distribution spécifiée lors du processus de réduction. De cette manière, l'échelonnage devient réalisable en faisant passer une variable latente tirée aléatoirement avec l'image à faible résolution à travers le réseau. Les résultats expérimentaux montrent une amélioration significative de notre modèle par rapport aux méthodes existantes en termes d'évaluation quantitative et qualitative de la reconstruction d'échelonnage d'image à partir des images réduites.