高解像度のデジタル画像は、さまざまな表示スクリーンに適合させるためや、ストレージと帯域幅のコストを削減するために通常縮小されます。その際、拡大処理が用いられて元の解像度や拡大された画像の詳細を回復します。しかし、典型的な画像縮小は高周波情報の損失により非単射写像となり、逆方向の拡大処理が不適切な問題を引き起こし、縮小された低解像度画像から詳細を回復するのに大きな課題となっています。単純に画像超解像技術を使用して拡大すると、回復性能が満足いくものになりません。本研究では、この問題を新しい視点から解決することを目指し、縮小と拡大プロセスを可逆的な全射変換としてモデル化しました。これにより、画像拡大の不適切な性質を大幅に軽減できます。私たちは、意図的に設計されたフレームワークと目的を持つ可逆リスケーリングネットワーク（Invertible Rescaling Net: IRN）を開発しました。このネットワークは視覚的に魅力的な低解像度画像を作成しつつ、縮小プロセスで失われた情報の分布を特定の分布に従う潜在変数を使用して捉えます。この方法により、ランダムに選択された潜在変数と低解像度画像をネットワークを通じて逆方向に通過させることで拡大が実現可能になります。実験結果は、縮小された画像からの画像拡大再構築において定量評価および定性評価の両面で既存手法よりも大幅な改善が見られることを示しています。