Les méthodes basées sur les flux ont démontré des résultats prometteurs pour traiter la nature mal posée de la super-résolution (SR) en apprenant la distribution des images haute résolution (HR) à l’aide de flux normalisants. Toutefois, ces méthodes ne permettent que des reconstructions de super-résolution à un facteur d’échelle prédéfini et fixe, ce qui limite leur potentiel dans les applications réelles. Parallèlement, la super-résolution à échelle arbitraire a attiré de plus en plus d’attention et a connu des progrès significatifs. Néanmoins, les méthodes précédentes de super-résolution à échelle arbitraire négligent le problème mal posé et entraînent leurs modèles à l’aide d’une perte L1 par pixel, ce qui conduit à des sorties de super-résolution floues. Dans ce travail, nous proposons une solution unifiée à ces problèmes, nommée « Local Implicit Normalizing Flow » (LINF). LINF modélise la distribution des détails texturaux sous différents facteurs d’échelle à l’aide de flux normalisants. Grâce à cela, LINF est capable de générer des images haute résolution photo-réalistes, riches en détails texturaux, pour n’importe quel facteur d’échelle. Nous évaluons LINF à l’aide d’expériences étendues et montrons qu’elle atteint une qualité perceptuelle de pointe par rapport aux méthodes antérieures de super-résolution à échelle arbitraire.