본 논문은 오토인코더 기반 학습 이미지 압축 방식의 한계(고비트레이트에서의 정보 손실 및 비율 적응의 유연성 부족)를 극복하기 위해 가역 변환 기반의 가변 비율 이미지 압축 모델을 제시한다. 경량 다중 스케일 가역 신경망을 설계하여 입력 이미지를 다중 스케일 잠재 표현으로 일대일 매핑하고, 확장 게인 유닛을 포함한 다중 스케일 공간-채널 컨텍스트 모델을 통해 잠재 표현의 엔트로피를 효율적으로 추정한다. 실험 결과, 제시된 방법은 기존 가변 비율 방식보다 우수한 성능을 달성하며, 최신 다중 모델 방식과도 경쟁력을 유지한다. 특히, 단일 모델을 사용하여 매우 넓은 비트율 범위에서 VVC를 능가하는 최초의 학습 이미지 압축 솔루션이며, 고비트레이트에서 특히 그 성능이 두드러진다. 소스 코드는 GitHub에서 공개된다.
