Du hast ein KI-Bild erzeugt, das dir sehr gut gefällt.

Nicht unbedingt wegen seines Motivs.

Vielleicht gefällt dir:

die Farbpalette,

die Art der Linien,

das Licht,

der Detailgrad,

die Bildkomposition.

Nun möchtest du ein völlig anderes Motiv erzeugen, das trotzdem ähnlich aussieht.

Zum Beispiel:

Bild 1
→ Frau mit Laptop

und danach:

Bild 2
→ Fahrradwerkstatt

Beide sollen aber dieselbe visuelle Sprache besitzen.

Ein reiner Text-to-Image-Prompt kann das versuchen.

Zum Beispiel:

Reduzierte redaktionelle Illustration, gedämpfte warme Farben, klare geometrische Formen, wenig Textur.

Doch selbst mit demselben Prompt können die Ergebnisse stark variieren.

Ein Referenzbild liefert der KI zusätzliche visuelle Information.

Vereinfacht:

Prompt
+
Referenzbild
↓
Bildmodell
↓
neues Bild

Das Besondere daran:

Das neue Bild muss nicht dieselbe Szene zeigen wie die Referenz.

Die Referenz kann lediglich bestimmte Eigenschaften vorgeben.

Referenzbild ist nicht gleich Ausgangsbild

Das ist die wichtigste Abgrenzung zu Image-to-Image.

Bei Image-to-Image lautet die Aufgabe ungefähr:

Verwende dieses konkrete Bild und verändere es.

Ausgangsbild
↓
Transformation
↓
neue Version derselben Szene

Bei einer Referenz lautet die Aufgabe eher:

Erzeuge ein neues Bild, aber orientiere dich an bestimmten Eigenschaften dieser Vorlage.

Referenz
↓
Eigenschaften ableiten
↓
neue Szene erzeugen

Ein Referenzbild muss deshalb nicht die Komposition des neuen Bildes bestimmen.

Ein einfaches Beispiel

Referenz:

Eine Illustration eines Mannes an einer Bushaltestelle.

Sie besitzt:

kräftige schwarze Konturen,

flächige Farben,

hellen beigefarbenen Hintergrund,

wenig Details.

Nun lautet der Prompt:

Ein Kind sitzt auf dem Boden und baut einen Spielzeugroboter zusammen.

Ohne Referenz könnte das Modell daraus:

eine Fotografie,

einen Comic,

eine 3D-Grafik

oder etwas völlig anderes erzeugen.

Mit einer Stilreferenz soll das Ergebnis dagegen eher aussehen wie:

neues Motiv
+
visuelle Sprache der Referenz

Ein Referenzbild kann unterschiedliche Aufgaben erfüllen

Der Begriff „Referenzbild“ ist sehr allgemein.

Tatsächlich können damit völlig unterschiedliche Ziele gemeint sein.

Zum Beispiel:

Stilreferenz

Motivreferenz

Personenreferenz

Produktreferenz

Kompositionsreferenz

Farbreferenz

Diese Aufgaben sollte man voneinander unterscheiden.

Stilreferenz

Die Frage lautet:

Wie soll das neue Bild aussehen?

Nicht:

Was soll darauf zu sehen sein?

Eine Stilreferenz kann Informationen liefern über:

Farben

Linien

Texturen

Kontrast

Beleuchtung

Detailgrad

Formensprache

Das Motiv darf völlig anders sein.

Motivreferenz

Hier geht es um:

Was soll wiedererkennbar dargestellt werden?

Zum Beispiel:

ein bestimmter Stuhl,

ein bestimmtes Haus,

eine bestimmte Tasche,

eine fiktive Figur.

Das neue Bild darf eine andere:

Umgebung,

Perspektive,

Situation

besitzen.

Das Referenzobjekt soll trotzdem erkennbar bleiben.

Personenreferenz

Hier lautet das Ziel:

Stelle möglichst dieselbe Person in einer neuen Situation dar.

Zum Beispiel:

Referenz:

Person im Wohnzimmer.

Neues Bild:

dieselbe Person beim Fahrradfahren.

Referenzperson
+
neue Szene
↓
möglichst gleiche Identität

Das ist deutlich anspruchsvoller als reine Stilübertragung.

Produktreferenz

Das Ziel:

Ein konkretes Produkt soll über verschiedene Bilder hinweg möglichst konsistent bleiben.

Zum Beispiel:

derselbe Rucksack

in:

Berglandschaft,

Stadt,

Studio,

Hotelzimmer.

Auch hier genügt ein Textprompt häufig nicht.

Kompositionsreferenz

Eine Referenz kann außerdem nur den Aufbau eines Bildes liefern.

Zum Beispiel:

Person rechts
+
große freie Fläche links
+
tiefer Horizont

Das neue Motiv kann vollständig anders sein.

Nur die Anordnung wird als Orientierung übernommen.

Farbreferenz

Vielleicht interessiert dich überhaupt nicht:

Motiv,

Person,

Komposition.

Du möchtest nur:

dieselbe Farbwelt

Beispiel:

Referenz besitzt:

Beige,

dunkles Grün,

gedämpftes Orange.

Das neue Bild soll dieselbe Palette verwenden.

Eine Referenz sollte deshalb eine definierte Rolle besitzen

Wenn du einfach irgendein Bild an das System übergibst und sagst:

Mach es ähnlich.

bleibt unklar:

Was genau soll ähnlich sein?

Motiv?

Stil?

Person?

Farben?

Komposition?

Ein guter Workflow definiert deshalb:

Welche Information
soll aus dieser Referenz
übernommen werden?

Referenzsteuerung wird besser, wenn die Aufgabe explizit ist

Zum Beispiel:

Referenz A
→ Stil

Referenz B
→ Person

Prompt
→ neue Handlung

Dann entsteht konzeptionell:

Stilreferenz
+
Personenreferenz
+
neues Szenenbriefing
↓
neues Bild

Das ist wesentlich klarer als ein undifferenziertes:

Nutze diese beiden Bilder als Referenz.

Ein Bild enthält immer viele Informationen gleichzeitig

Nehmen wir ein Referenzfoto.

Es zeigt:

eine Frau,

roten Mantel,

Bahnhof,

Nacht,

blaues Neonlicht,

Person links im Bild.

Du möchtest nur:

die Person.

Das Modell könnte aber zusätzlich übernehmen:

roten Mantel,

Nacht,

Lichtstimmung.

Das nennt man vereinfacht einen unerwünschten Transfer von Eigenschaften.

Referenzen können also „zu viel“ übertragen

Du möchtest:

Gesicht

bekommst zusätzlich:

Kleidung

Oder du möchtest:

Stil

aber die neue Szene übernimmt:

Komposition der Vorlage

Das ist einer der wichtigsten praktischen Stolpersteine.

Gute Referenzen isolieren möglichst das gewünschte Merkmal

Wenn du eine Person referenzieren möchtest:

ein klares Portrait kann nützlicher sein als eine winzige Person in einer komplexen Gruppenszene.

Wenn du einen Stil referenzieren möchtest:

ein Bild, das diesen Stil besonders deutlich zeigt, ist besser als eine Vorlage mit vielen konkurrierenden visuellen Besonderheiten.

Stilreferenzen sollten charakteristisch sein

Schwach:

ein sehr neutrales Stockfoto.

Was genau ist dessen Stil?

Schwer zu sagen.

Besser:

eine visuell eindeutige Illustration mit:

klarer Linienführung,

definierter Farbpalette,

typischer Textur,

erkennbarem Detailgrad.

Dann hat das Modell deutlichere visuelle Informationen.

Referenzstärke bestimmt den Einfluss

Viele Systeme erlauben, die Bedeutung einer Referenz zu gewichten.

Vereinfacht:

geringe Referenzstärke
→ leichte Orientierung

hohe Referenzstärke
→ starke Orientierung

Das klingt einfach.

In der Praxis entsteht wieder ein Kompromiss.

Zu geringe Referenzstärke

Das neue Bild folgt hauptsächlich dem Prompt.

Die Referenz ist kaum sichtbar.

Beispiel:

gewünschter Stil
→ fast verloren

Zu hohe Referenzstärke

Das neue Bild kann unnötig an der Vorlage kleben.

Vielleicht übernimmt es:

ähnliche Komposition,

ähnliche Kleidung,

ähnlichen Hintergrund,

ähnliche Pose,

obwohl diese gar nicht gewünscht waren.

Der Sweet Spot hängt vom Referenztyp ab

Eine Stilreferenz braucht vielleicht:

moderaten Einfluss.

Eine Identitätsreferenz:

stärkeren Einfluss.

Eine reine Farbreferenz:

wieder einen anderen.

Darum ist ein einziger globaler Wert für sämtliche Referenzarten selten ideal.

Referenzstärke ist kein Qualitätsregler

mehr
≠
besser

Sie bestimmt:

mehr Einfluss

Nicht:

mehr Bildqualität

Das sollte man klar auseinanderhalten.

Ein praktischer Referenztest

Nehmen wir denselben Prompt und dieselbe Referenz.

Dann erzeugen wir beispielsweise:

Reference Strength: niedrig

Reference Strength: mittel

Reference Strength: hoch

Nun vergleichen wir:

Was wird übernommen?

Was geht verloren?

Nur einen Parameter gleichzeitig verändern

Wie bei Text-to-Image gilt:

Nicht gleichzeitig:

Modell,

Prompt,

Seed,

Referenz,

Referenzstärke

ändern.

Sonst weißt du nicht, welche Einstellung welchen Effekt hatte.

Stilreferenzen sind ideal für Bildserien

Angenommen, eine Website benötigt 100 Illustrationen.

Alle sollen wirken, als gehörten sie zu derselben visuellen Familie.

Ein reines Prompttemplate kann helfen:

klare redaktionelle Illustration,
begrenzte Farbpalette,
einfache geometrische Formen,
helle Hintergründe

Aber selbst derselbe Text kann vom Modell unterschiedlich interpretiert werden.

Eine Stilreferenz liefert eine zusätzliche visuelle Konstante.

Der Workflow kann dann so aussehen

Artikel
↓
Bildidee
↓
Style Preset
+
Stilreferenz
↓
Bildgenerierung

Das Preset enthält die sprachlichen Regeln.

Die Referenz liefert ein visuelles Beispiel.

Textregeln und Referenz ergänzen sich

Nur Referenz:

Das Modell muss selbst entscheiden, welche Eigenschaften relevant sind.

Nur Text:

Die Beschreibung kann zu abstrakt sein.

Gemeinsam:

Text
→ erklärt die Regeln

Referenz
→ zeigt ein Beispiel

Das kann die Steuerung erheblich verbessern.

Eine Stilreferenz sollte nicht ständig wechseln

Wenn jeder Artikel ein anderes Referenzbild bekommt:

Artikel 1 → Referenz A

Artikel 2 → Referenz B

Artikel 3 → Referenz C

kann die Bildsprache wieder auseinanderlaufen.

Für eine zusammengehörige Serie kann es sinnvoller sein, wenige freigegebene Referenzen zu verwenden.

Ein Stilset kann mehrere Referenzen enthalten

Vielleicht lässt sich die gewünschte Bildsprache nicht durch ein einziges Bild vollständig zeigen.

Dann könnte ein Set bestehen aus:

Referenz 1
→ typische Personendarstellung

Referenz 2
→ typische Technikillustration

Referenz 3
→ typische Farbwelt

Das System kann daraus einen größeren visuellen Rahmen ableiten.

Mehr Referenzen sind aber nicht automatisch besser

Vier sehr unterschiedliche Bilder können dem Modell widersprüchliche Signale liefern.

Zum Beispiel:

Referenz A
→ flache Illustration

Referenz B
→ fotorealistisches Licht

Referenz C
→ grobe Bleistiftlinien

Was davon ist nun der gewünschte Stil?

Referenzsets brauchen innere Konsistenz

Ein gutes Referenzset sollte sich ähnlich anfühlen wie:

ein kleines Styleguide-Portfolio.

Nicht wie:

eine zufällige Bildergalerie.

Referenzbilder können Teil eines Brand-Guides werden

Ein Unternehmen könnte definieren:

Style Reference A

Style Reference B

Style Reference C

plus:

erlaubte Farben

unerwünschte Motive

Kompositionsregeln

Detailgrad

Daraus entsteht ein generativer visueller Styleguide.

Die Marke sollte trotzdem nicht nur von der KI interpretiert werden

Exakte Assets bleiben:

Logo

Schrift

Farbcodes

grafische Markenelemente

Diese sollten deterministisch verwendet werden.

Referenzen eignen sich besser für:

Bildgefühl

Illustrationssprache

Licht

Komposition

Textur

Stilreferenz und Logo sind grundverschieden

Logo:

muss exakt sein

Stil:

darf interpretiert werden

Das ist eine wichtige Grenze bei generativer Gestaltung.

Personenreferenzen sind schwieriger als Stilreferenzen

Warum?

Bei einem Stil genügt:

ähnlich

Bei einer Person erwarten Menschen:

dieselbe Identität

Schon kleine Abweichungen in:

Augen,

Nase,

Gesichtsform,

Alter

können auffallen.

Ein Textprompt reicht für dieselbe Person meist nicht

Angenommen:

42-jährige Frau mit schulterlangen dunklen Haaren, ovalem Gesicht und grünen Augen.

Das Modell kann bei jeder Generierung eine andere Frau erzeugen, die diese Beschreibung erfüllt.

Beschreibung
→ Person A

nächster Seed:

Beschreibung
→ Person B

Beide passen zum Text.

Aber sie sind nicht identisch.

Eine Personenreferenz reduziert diesen Freiheitsgrad

Referenzperson
+
neuer Prompt
↓
gleiche beziehungsweise ähnliche Person
in neuer Szene

Zumindest ist das Ziel deutlich spezifischer.

Ein gutes Personenreferenzbild sollte das Gesicht klar zeigen

Zum Beispiel:

ausreichende Auflösung,

gute Beleuchtung,

nicht stark verdeckt,

keine extreme Perspektive.

Ein unscharfes Gesicht mit Sonnenbrille aus großer Entfernung enthält weniger nutzbare Identitätsinformation.

Mehrere Personenreferenzen können helfen

Eine einzelne Frontansicht zeigt nicht:

Profil,

Gesichtsform von der Seite,

andere Lichtbedingungen.

Ein kleines Set kann beispielsweise enthalten:

frontal

Dreiviertelprofil

Seitenprofil

Damit bekommt das System mehr visuelle Information über dieselbe Person.

Mehrere Referenzen müssen wirklich dieselbe Person zeigen

Wenn:

Referenz A

und:

Referenz B

merklich unterschiedlich aussehen, kann das Modell eine Art Mischidentität erzeugen.

Das kann insbesondere bei synthetisch erzeugten Referenzbildern passieren.

Erst Referenzfigur stabilisieren, dann Serie produzieren

Für eine fiktive wiederkehrende Figur ist ein sinnvoller Prozess:

1. gute Grundfigur erzeugen
↓
2. einige konsistente Referenzansichten erstellen
↓
3. Referenzset festlegen
↓
4. neue Szenen daraus erzeugen

Nicht:

bei jedem Bild wieder vollständig neu beginnen.

Kleidung sollte von Identität getrennt gedacht werden

Du möchtest dieselbe Person, aber:

heute Jacke,

morgen T-Shirt,

übermorgen Sportkleidung.

Wenn deine Personenreferenz immer dieselbe auffällige rote Jacke zeigt, kann das Modell diese ebenfalls als wichtiges Identitätsmerkmal interpretieren.

Neutrale Referenzen können deshalb besser sein

Für Identität:

klarer Kopf und Körper,

einfache Kleidung,

wenig störende visuelle Signale.

Für konkrete Szenen:

Kleidung anschließend über Prompt oder andere Steuerung definieren.

Identität und Pose sind ebenfalls getrennt

Referenz A:

Wer?

Person X

Pose-Referenz:

Wie steht sie?

Arm oben,
Körper seitlich

Prompt:

Wo?

am Strand

Konzeptionell:

Identität
+
Pose
+
Szene
↓
neues Bild

Diese Trennung ist leistungsfähiger als eine einzige Referenz, die alles gleichzeitig bestimmen soll.

Dasselbe Prinzip gilt für Produkte

Ein Produkt besitzt:

Identität

also:

Form,

Farben,

Material,

charakteristische Details.

Eine Szene besitzt dagegen:

Kontext

also:

Hintergrund,

Licht,

Position,

Kamerawinkel.

Produktreferenzen eignen sich für kreative Visualisierung

Beispiel:

Referenz:

ein bestimmter Rucksack.

Prompt:

Derselbe Rucksack liegt auf einem Felsen vor einer alpinen Landschaft bei Sonnenaufgang.

Die KI versucht:

Rucksack erhalten
+
neue Szene erzeugen

Produktgenauigkeit bleibt ein Problem

Das Modell kann:

Schnalle verändern,

Taschen hinzufügen,

Nähte verschieben,

Logo verformen.

Für eine allgemeine Mood-Visualisierung ist das möglicherweise akzeptabel.

Für einen echten Shop kann es problematisch sein.

Produktdarstellung verlangt einen strengeren Qualitätsmaßstab

Wenn der Käufer aufgrund des Bildes erwartet:

genau diese Tasche

darf das Modell keine Funktionen erfinden.

Dann kann ein klassisches Compositing oft sicherer sein.

echtes Produktfoto
↓
freistellen
↓
KI-Hintergrund
↓
zusammensetzen

So bleibt das Produkt exakt.

Referenzbilder eignen sich also nicht automatisch für Produktfotografie

Sie sind hervorragend für:

Ideen,

Kampagnenentwürfe,

Moodboards,

Illustrationen.

Für kataloggenaue Darstellung muss die Referenztreue tatsächlich gemessen werden.

Ein Referenzsystem sollte wissen, wie viel Drift erlaubt ist

Beispiel:

Stil
→ hohe kreative Freiheit erlaubt

fiktive Figur
→ geringe Identitätsdrift erlaubt

reales Produkt
→ praktisch keine Formdrift erlaubt

Damit unterscheiden sich auch die Reviewregeln.

Referenztreue ist keine einzelne Größe

Sie kann zerlegt werden in:

Identitätstreue

Formtreue

Farbtreue

Stiltreue

Kompositionstreue

Ein Bild kann beispielsweise:

Produktform gut erhalten,

aber falsche Farbe besitzen.

Oder:

Stil perfekt treffen,

aber Komposition der Referenz unnötig kopieren.

Das hilft bei automatischen Evals

Statt ein Vision-Modell nur zu fragen:

Ist das Bild ähnlich?

kann man getrennt prüfen:

Ist das Hauptmotiv dasselbe?

Stimmt die Produktfarbe?

Ist der Stil konsistent?

Wurde die neue Szene umgesetzt?

Das ergibt wesentlich nützlichere Informationen.

Stilähnlichkeit und Inhaltsähnlichkeit sind Gegenspieler

Ein gutes Stilreferenzsystem soll:

Stil ähnlich

aber:

Inhalt unterschiedlich

erzeugen.

Wenn beide Bilder nahezu dieselbe Szene zeigen, war die Referenz möglicherweise zu dominant.

Motivreferenz ist genau umgekehrt

Hier wollen wir:

Motiv ähnlich

aber vielleicht:

Hintergrund unterschiedlich

Darum ist die Frage nach dem Referenzziel so zentral.

Kompositionsreferenzen können sehr praktisch sein

Angenommen, eine Website braucht Headerbilder mit:

Motiv rechts
+
ruhige Fläche links

Ein gelungenes Bild kann dafür als Kompositionsreferenz dienen.

Das neue Motiv darf völlig anders sein.

Komposition kann auch durch eine grobe Skizze referenziert werden

Statt eines fertigen Bildes:

┌────────────────────┐
│             Objekt │
│                    │
│ freie Fläche       │
└────────────────────┘

Diese Struktur kann dem Modell mehr Freiheit bei Stil und Motiv lassen.

Referenz und Kontrollbild sind nicht immer dasselbe

Ein Kontrollbild kann gezielt eine mathematische Struktur darstellen:

Kanten,

Depth,

Pose.

Eine Referenz kann dagegen eher visuelle Merkmale liefern.

Konzeptionell:

Referenz
→ "Wie soll etwas aussehen?"

Control
→ "Wo beziehungsweise in welcher Struktur soll etwas liegen?"

Die Grenzen können je nach System verschwimmen, aber als Denkmodell ist die Unterscheidung nützlich.

Pose-Referenz

Eine Person soll dieselbe Haltung einnehmen wie auf einem anderen Bild.

Dann interessiert uns:

Körperstellung

nicht:

Gesicht,

Kleidung,

Hintergrund.

Ein Pose-Modell beziehungsweise eine Skelettdarstellung kann diese Information wesentlich sauberer isolieren als das vollständige Foto.

Depth-Referenz

Interessant ist:

räumlicher Aufbau

nicht:

Farbe,

Stil.

Damit kann beispielsweise ein Raum neu gestaltet werden, während seine Tiefenstruktur ähnlich bleibt.

Kantenreferenz

Relevant:

Konturen

nicht:

Oberflächen.

Das eignet sich beispielsweise für:

Architektur,

Produktentwürfe,

technische Formen.

Referenzsysteme können dadurch modular werden

Ein fortgeschrittener Bildauftrag könnte lauten:

Person Reference
→ Identität

Pose Reference
→ Körperhaltung

Style Reference
→ Bildsprache

Prompt
→ Szene

Aspect Ratio
→ Format

Das ist wesentlich mächtiger als ein einzelner gigantischer Prompt.

Gleichzeitig steigt die technische Komplexität

Jede zusätzliche Bedingung kann:

hilfreich sein,

aber auch:

mit einer anderen kollidieren.

Ein gutes System sollte deshalb nicht möglichst viele Referenzen verwenden.

Sondern nur die, die eine konkrete Aufgabe lösen.

Minimal notwendige Kontrolle ist ein gutes Prinzip

Prompt reicht?
→ keine Referenz nötig

Stil schwankt?
→ Stilreferenz

Person driftet?
→ Personenreferenz

Pose stimmt nicht?
→ Pose-Kontrolle

Nicht von Anfang an alles kombinieren.

Referenzbilder verändern Prompt Engineering

Ohne Referenz musst du vielleicht lange beschreiben:

flache geometrische Illustration, matte Pastellfarben, schmale dunkle Konturen …

Mit einer guten Referenz kann der Text kürzer werden.

Referenz
→ zeigt Stil

Prompt
→ beschreibt Motiv

Damit übernimmt jede Eingabe die Aufgabe, für die sie besonders geeignet ist.

Ein Prompt sollte die Referenz nicht unnötig wiederholen

Wenn eine Stilreferenz bereits:

gedämpfte warme Farben

zeigt, muss der Prompt nicht zwangsläufig fünfmal dieselbe Farbwelt beschreiben.

Besser:

klar festlegen, was neu sein soll.

Widersprüche vermeiden

Referenz:

minimalistische flache Illustration.

Prompt:

extrem fotorealistische Produktfotografie.

Nun widersprechen sich die Bedingungen.

Vielleicht ist das experimentell gewollt.

Für einen Produktionsworkflow wäre es eher ein Konfigurationsfehler.

Presets können solche Konflikte verhindern

Zum Beispiel:

preset = editorial-illustration-v2

definiert:

Style Reference
+
Style Prompt
+
Modell
+
Parameter

Der Nutzer liefert nur noch:

Motiv

Dann können keine beliebigen Stilwidersprüche entstehen.

Ein Style-Preset kann eine feste Referenz-ID verwenden

Beispiel:

{
  "preset": "editorial-v2",
  "style_reference": "style_asset_12",
  "aspect_ratio": "16:9"
}

Der eigentliche Bildauftrag:

{
  "concept": "Ein Webserver verteilt gespeicherte Inhalte an mehrere Browser."
}

Das System kombiniert beides.

Referenzen sollten zentral verwaltet werden

Nicht:

Workflow A
→ lokale Datei style-final.jpg

Workflow B
→ style-final-neu2.jpg

Besser:

style_reference_id
→ eindeutiges Asset

Damit nutzen alle Workflows dieselbe freigegebene Referenz.

Änderungen an Referenzen sollten versioniert werden

editorial-style-v1
↓
editorial-style-v2

Denn ein neues Referenzbild kann das visuelle Ergebnis aller zukünftigen Generierungen verändern.

Das ist praktisch ein Produktionsupdate.

Style-Updates sollten getestet werden

Zum Beispiel:

zehn typische Artikelmotive.

Mit alter Referenz.

Mit neuer Referenz.

Dann vergleichen:

Konsistenz

Lesbarkeit

Motivtreue

visuelle Qualität

Erst danach die neue Referenz freigeben.

Referenzbilder sind damit Konfigurationsdaten

Nicht bloß:

irgendwelche Bilder.

Sie beeinflussen systematisch den Output.

Für automatisierte Bildproduktion sollten sie entsprechend behandelt werden:

versioniert

freigegeben

gesichert

dokumentiert

Ein Referenzbild kann sogar wichtiger sein als ein langer Prompt

Ein visueller Stil lässt sich sprachlich nur begrenzt exakt beschreiben.

Beispiel:

Etwas rau, aber nicht zu rau, warm, leicht retro, dennoch modern.

Ein einziges gutes Beispielbild kann diese Kombination unmittelbarer vermitteln.

Das ist einer der fundamentalen Vorteile multimodaler Steuerung.

Menschen arbeiten genauso

Ein Designer sagt:

So ungefähr.

und zeigt eine Referenz.

Das Bild überträgt visuelle Information wesentlich schneller als eine Seite Beschreibung.

Bild-KI nutzt dasselbe Prinzip.

Referenzbilder ersetzen trotzdem keinen Styleguide

Ein einzelnes Bild zeigt nicht:

Welche Eigenschaften sind verpflichtend?

Welche zufällig?

Vielleicht besitzt die Referenz einen roten Hintergrund.

Ist Rot Teil des Stils?

Oder nur zufällig in diesem Motiv?

Ein Styleguide kann diese Mehrdeutigkeit auflösen.

Die ideale Kombination

Styleguide
→ Regeln

Referenzbilder
→ Beispiele

Prompt
→ aktuelles Motiv

Zusammen entsteht ein wesentlich kontrollierterer Workflow.

Negative Regeln gehören ebenfalls dazu

Beispiel:

keine Schrift

keine Logos

keine Roboterköpfe

keine Neon-Cyberpunk-Ästhetik

keine fotorealistischen Menschen

Eine Referenz allein kann solche Verbote nicht zuverlässig ausdrücken.

Referenzbilder können unbeabsichtigte Klischees verstärken

Wenn sämtliche Referenzen:

Menschen mit Laptop

zeigen, kann das Modell diese Motive auch bei Themen übernehmen, bei denen sie eigentlich nicht nötig wären.

Deshalb sollten Referenzen den gewünschten Stil, nicht nur immer dieselbe Bildidee repräsentieren.

Ein guter Stil bleibt über unterschiedliche Motive erkennbar

Test:

Person

Server

Pflanze

Gebäude

 abstraktes Konzept

Alle mit derselben Referenzlogik erzeugen.

Wenn sie wie eine visuelle Familie wirken, ist der Stil robust.

Wenn nur ähnliche Motive funktionieren, hängt die Referenz vielleicht zu stark am Inhalt.

Stil sollte deshalb mit heterogenen Testmotiven geprüft werden

Nicht fünfmal:

Person am Schreibtisch.

Sondern bewusst unterschiedliche Kategorien.

Das zeigt, ob die Referenz wirklich Stil transportiert.

Referenzbilder für Figuren

Bei einer wiederkehrenden fiktiven Figur sollte ebenfalls ein kleines Testset entstehen.

Zum Beispiel:

Portrait

Ganzkörper

sitzend

Außenaufnahme

andere Kleidung

Wenn Identität über diese Szenarien hinweg hält, ist die Referenzstrategie brauchbar.

Ein einzelnes perfektes Portrait reicht als Eval nicht

Vielleicht funktioniert es nur bei:

frontalem Gesicht.

Sobald die Person:

seitlich schaut,

lacht,

eine Mütze trägt,

driftet die Identität.

Das muss vor einer großen Serienproduktion getestet werden.

Identität kann auch über Alter oder Geschlecht driften

Ein Modell kann dieselbe Person:

jünger,

älter,

mit anderer Gesichtsform

darstellen.

Das ist besonders auffällig, wenn Bilder direkt nebeneinander stehen.

Eine Serie braucht deshalb eine Referenzdefinition

Zum Beispiel:

character_id = family-guide-anna

dahinter:

3 freigegebene Referenzbilder

plus:

Beschreibung wesentlicher Merkmale

Damit wird eine Figur zu einem wiederverwendbaren Asset.

Das ist wesentlich besser als ihr Aussehen jedes Mal neu zu beschreiben

Nicht:

Frau, etwa 35, braune Haare…

bei jedem Prompt.

Sondern:

character_id
→ Anna

und nur noch:

Anna sitzt in einer Straßenbahn.

Der Workflow ergänzt intern die Referenzen.

Ähnliches gilt für wiederkehrende Gegenstände

Zum Beispiel:

eine erfundene Robotermascot-Figur.

Ein bestimmtes fiktives Gerät.

Ein wiederkehrendes Fahrzeug.

Auch diese können als:

subject_id

verwaltet werden.

Ein Asset-System kann Referenztypen speichern

Beispiel:

{
  "reference_id": "ref_217",
  "type": "character",
  "subject": "anna",
  "status": "approved"
}

Oder:

{
  "reference_id": "ref_88",
  "type": "style",
  "preset": "editorial-v2"
}

Damit weiß ein automatisierter Workflow, wie ein Asset verwendet werden darf.

Referenzrechte sind ebenfalls wichtig

Eine Referenz kann:

eigenes Bild,

lizenzierte Aufnahme,

fremde Grafik,

Foto einer realen Person

sein.

Technisch kann das Bild möglicherweise genutzt werden.

Ob die geplante Verarbeitung und Veröffentlichung zulässig sind, ist eine getrennte Frage.

Besonders Stilreferenzen sollten bewusst ausgewählt werden

Die technische Möglichkeit:

Nimm dieses konkrete fremde Werk und mache neue Bilder möglichst genauso.

ist nicht dieselbe Frage wie:

Ist das für meinen konkreten kommerziellen oder redaktionellen Einsatz eine gute und rechtlich unproblematische Strategie?

Ein eigener visueller Styleguide ist für eine dauerhafte Marke häufig ohnehin sinnvoller.

Eigene Referenzen bieten die meiste Kontrolle

Zum Beispiel:

selbst erstellte Illustrationen,

eigens generierte freigegebene Style-Boards,

eigene Fotos,

eigene Figuren.

Dann kann die Bildsprache gezielt entwickelt werden, statt nur ein fremdes Einzelbild nachzuahmen.

Referenzbilder realer Personen sind besonders sensibel

Ein Foto kann dazu dienen, eine reale Person in neuen Szenen darzustellen.

Technisch kann das sehr überzeugend werden.

Damit können aber Bilder entstehen, die Ereignisse suggerieren, die nie stattgefunden haben.

Der Kontext entscheidet deshalb wesentlich über die Vertretbarkeit einer Verwendung.

Eine eindeutig illustrative Transformation ist etwas anderes als ein falsches Dokumentarfoto

Beispiel:

Portrait
↓
klar erkennbare Zeichnung

versus:

Portrait
↓
fotorealistisches Bild
der Person an einem Ort,
an dem sie nie war

Beides nutzt möglicherweise eine Personenreferenz.

Die kommunikative Bedeutung ist vollkommen unterschiedlich.

Referenzen können außerdem sensible Informationen enthalten

Ein privates Foto zeigt:

Wohnung,

Kennzeichen,

Kinder,

Dokumente

im Hintergrund.

Auch wenn nur das Gesicht als Referenz dienen soll, kann bei einer Cloudverarbeitung das gesamte Bild übertragen werden.

Referenzbilder sollten daher vor Verarbeitung vorbereitet werden

Wenn nur das Gesicht benötigt wird:

vielleicht einen geeigneten Ausschnitt verwenden.

Wenn nur der Stil benötigt wird:

gegebenenfalls ein Bild ohne unnötige personenbezogene Inhalte.

Datenminimierung kann bereits auf Asset-Ebene beginnen.

Lokale Bild-KI kann dabei Vorteile besitzen

Referenzbilder
↓
eigener KI-Server
↓
Bildmodell

Die Bilder müssen für die eigentliche Generierung nicht zwingend an einen externen KI-Anbieter geschickt werden.

Die Grundlagen aus lokale KI gelten hier erneut.

Lokal bedeutet dennoch nicht automatisch vertraulich

Ein Referenzbild kann in:

Logs,

temporären Dateien,

Caches,

Workflowdaten

landen.

Ein lokaler KI-Server sollte deshalb auch Bilddaten bewusst behandeln.

Referenzassets brauchen Zugriffsrechte

Vielleicht darf:

Marketing

Style-Referenzen verwenden.

Aber:

private Personenreferenzen

nur ein bestimmter Workflow.

Ein Asset-System kann deshalb Rollen besitzen.

style_asset
→ allgemein verfügbar

person_reference_private
→ eingeschränkt

Referenzen sollten nicht blind in jeden Workflow gelangen

Ein n8n-Workflow kann beispielsweise anhand einer ID prüfen:

Darf diese Referenz
für diesen Zweck verwendet werden?

Dann erst:

Bildgenerierung.

Referenzen können versioniert und widerrufen werden

Eine Person möchte eine Referenz nicht mehr verwendet haben.

Dann kann:

reference_status
→ disabled

gesetzt werden.

Alle automatischen Workflows respektieren diesen Status.

Das ist wesentlich kontrollierbarer als Referenzbilder, die lose in Promptordnern liegen.

Mehrere Referenztypen können automatisiert kombiniert werden

Beispiel:

{
  "subject": "Anna liest in einer Straßenbahn.",
  "character_reference": "anna-v2",
  "style_reference": "editorial-v3",
  "composition": "person on right, space on left",
  "aspect_ratio": "16:9"
}

Der Bildserver baut daraus die entsprechende Generierungsanfrage.

Das Sprachmodell muss die Referenzen nicht auswählen dürfen

Wenn:

Artikeltyp = Kinderalltag

kann ein deterministischer Workflow sagen:

style_reference = family-editorial-v2

Kein Sprachmodell muss darüber improvisieren.

KI kann nur dort auswählen, wo Auswahl tatsächlich sinnvoll ist

Zum Beispiel:

Welche von drei erlaubten Kompositionen passt zum Artikel?

Aber:

Welche Referenz ist markenkonform?

Das kann als feste Regel hinterlegt werden.

Das entspricht unserem allgemeinen Automatisierungsprinzip

harte Geschäftsregel
→ deterministisch

kreative Entscheidung
→ KI

So bleibt auch Bildautomation kontrollierbar.

Referenzbilder eignen sich hervorragend für Style Routing

Eine Website besitzt vielleicht mehrere Bildwelten.

Zum Beispiel:

Technik
→ technical-editorial

Familie
→ warm-handdrawn

Finanzen
→ geometric-minimal

Jeder Stil besitzt eigene Referenzassets.

Der Workflow wählt anhand der Kategorie

Artikel
↓
Kategorie
↓
Style Preset
↓
Referenz
↓
Bild

Damit können verschiedene Websites oder Themenbereiche automatisch unterschiedliche Bildsprachen erhalten.

Ein globaler KI-Look wäre dagegen riskant

Wenn hunderte Websites alle dieselbe:

Farbpalette,

Figurenform,

Komposition

verwenden, entsteht kein individueller Markencharakter.

Referenzsysteme erlauben gerade das Gegenteil:

mehrere kontrollierte visuelle Identitäten.

Referenzbilder können daher Teil eines skalierbaren Designsystems werden

Normaler Designsystem-Baustein:

Farben

Typografie

Buttons

Abstände

Generativer Designsystem-Baustein:

Style Presets

Referenzbilder

Promptregeln

Bildformate

Reviewregeln

Das ist eine interessante Erweiterung klassischer Markenführung.

Ein Style Preset könnte beispielsweise enthalten

Preset-ID

Referenzbilder

Prompt-Suffix

verbotene Motive

Seitenverhältnis

Modell

Referenzstärke

Damit wird der visuelle Stil reproduzierbarer.

Referenzbilder reichen trotzdem nicht für absolute Konsistenz

Das ist ein wichtiger Punkt.

Auch mit perfekter Vorlage bleibt das Modell generativ.

Referenz
≠
hartes Template

Farben können schwanken.

Linienstärke kann sich verändern.

Figuren können etwas anders aussehen.

Wann reichen Referenzbilder?

Wenn:

Ähnlichkeit genügt

Zum Beispiel:

redaktionelle Illustration.

Moodboard.

Social-Media-Serie.

Ideenvisualisierung.

Wann werden Referenzbilder möglicherweise zu schwach?

Wenn du brauchst:

dieselbe Figur
über hunderte Bilder

oder:

sehr spezifische eigene Bildsprache

oder:

wiederkehrendes fiktives Produkt
mit hoher Detailtreue

Dann kann eine trainierte Anpassung sinnvoll werden.

Hier kommt LoRA ins Spiel

Wie unter Fine-Tuning beschrieben, verändert eine LoRA das Verhalten eines bestehenden Modells über einen relativ kleinen zusätzlichen Adapter.

Bei Bild-KI kann sie beispielsweise lernen:

bestimmte Figur

bestimmtes Objekt

bestimmte visuelle Merkmale

Referenzbild und LoRA lösen ähnliche, aber nicht identische Probleme

Referenz:

zur Laufzeit mitgeben

LoRA:

Eigenschaften vorher trainieren

Das ist eine fundamentale Unterscheidung.

Referenzbilder sind schnell und flexibel

Du hast ein Bild.

Du verwendest es.

Keine Trainingsphase.

Änderung gewünscht?

Neue Referenz verwenden.

LoRA benötigt Vorbereitung

Trainingsbilder sammeln
↓
beschriften
↓
trainieren
↓
testen
↓
Adapter verwenden

Dafür kann die gewünschte Eigenschaft stärker im Generationsprozess verankert werden.

Die sinnvolle Eskalationsreihenfolge

Prompt
↓
reicht nicht
↓
Referenzbild
↓
reicht nicht
↓
mehrere kontrollierte Referenzen
↓
reicht nicht
↓
LoRA / Modellanpassung prüfen

Das entspricht unserem allgemeinen Prinzip:

Erst die einfachste Methode verwenden.

Nicht für jeden Website-Stil sofort eine LoRA trainieren

Vielleicht reichen:

ein Style Prompt
+
zwei Referenzbilder
+
ein Preset

vollkommen aus.

Training lohnt sich erst, wenn ein messbares Konsistenzproblem bestehen bleibt.

Referenzsysteme sollten evaluiert werden

Nehmen wir 30 typische Bildaufgaben.

Wir prüfen:

Stilkonsistenz

Motivtreue

Kompositionsfreiheit

Artefakte

Reviewquote

Dann wissen wir:

Funktioniert unsere Referenzstrategie?

Eine nützliche Kennzahl ist die Freigabequote

Beispiel:

Ohne Referenz:

100 Bilder
↓
40 freigegeben

Mit Style-Referenz:

100 Bilder
↓
78 freigegeben

Dann besitzt die Referenz einen klaren Produktionsnutzen.

Rechenzeit gehört ebenfalls in die Bewertung

Eine komplexe Referenzpipeline kann:

mehr Modelle,

mehr VRAM,

längere Generationszeiten

benötigen.

Wenn die visuelle Verbesserung minimal ist, lohnt die zusätzliche Komplexität vielleicht nicht.

Ein lokaler Bildserver kann verschiedene Referenzmodelle laden

Konzeptionell:

Image Server
├── Basismodell
├── Style Conditioning
├── Identity Conditioning
└── Control Model

Je mehr Komponenten gleichzeitig aktiv sind, desto höher können Speicher- und Rechenanforderungen werden.

Referenzsteuerung beeinflusst damit die Hardwareplanung

Ein einfacher Text-to-Image-Workflow:

Basismodell

Ein komplexer Workflow:

Basismodell
+
Identitätsreferenz
+
Pose Control
+
Style Reference

kann deutlich schwerer sein.

Darum sollten reale Workflows benchmarked werden und nicht nur das Basismodell.

Zwei GPUs können wieder unterschiedliche Rollen bekommen

Zum Beispiel:

GPU 1
→ Sprachmodell

GPU 2
→ Bildmodell + Referenzsteuerung

Gerade bei automatisierter Contentproduktion kann diese Trennung sehr sinnvoll sein.

Referenzassets sind viel kleiner als Modelle

Die Referenzbilder selbst benötigen normalerweise relativ wenig Speicherplatz.

Relevant wird eher:

die Anzahl der generierten Kandidaten,

Originale,

Varianten,

Webversionen.

Das Asset-Management bleibt daher wichtiger als die Referenzdateigröße.

Referenzen sollten unverändert archiviert werden

Wenn:

style-reference-v2.jpg

später überschrieben wird, sind ältere Generierungen nicht mehr vollständig nachvollziehbar.

Besser:

style-reference-v1
style-reference-v2

als getrennte Assets.

Referenz-IDs sind besser als Dateinamen

Nicht:

C:\bilder\stil-neu-final-final.jpg

sondern:

reference_id = editorial_style_003

Darüber lässt sich die tatsächliche Datei auflösen.

Das verbessert Automatisierung und Portabilität.

Referenzmetadaten können den Zweck beschreiben

Zum Beispiel:

{
  "reference_id": "editorial_style_003",
  "type": "style",
  "status": "approved",
  "version": 3
}

Oder:

{
  "reference_id": "character_anna_02",
  "type": "identity",
  "status": "approved"
}

Eine Referenz darf nur für bestimmte Modelle kompatibel sein

Ein Referenzworkflow kann eng mit einer bestimmten Modellfamilie verbunden sein.

Nach einem Modellwechsel kann dieselbe Referenz anders wirken.

Darum kann zusätzlich gespeichert werden:

compatible_model

oder zumindest:

tested_with

Modellupdates brauchen Referenztests

Nicht nur:

Ist Text-to-Image besser?

Sondern:

funktioniert unser Style Reference Set noch?

bleiben Figuren konsistent?

ändert sich die optimale Reference Strength?

Das sollte vor einem Produktionswechsel getestet werden.

Ein Referenzsystem ist damit Teil der Modellkonfiguration

Produktionskonfiguration:

Model
+
Preset
+
Reference Set
+
Parameters

Ändert sich einer dieser Bestandteile, kann sich der Output verändern.

Referenzen sollten auch bei automatisierten Bildprüfungen berücksichtigt werden

Wenn das Ziel:

Stilähnlichkeit

ist, muss die Prüfung das Referenzbild kennen.

generiertes Bild
+
Style Reference
↓
Vergleich

Wenn das Ziel:

Personenidentität

ist:

generierte Person
+
Identity Reference
↓
Vergleich

Das sind unterschiedliche Prüfaufgaben.

Ein einziges Vision-Modell sollte nicht automatisch alles entscheiden

Ein semantisches Review kann hilfreich sein.

Aber für wichtige Serien können zusätzlich:

manuelle Stichproben,

statistische Freigabequoten,

direkte visuelle Vergleiche

sinnvoll sein.

Referenzen verbessern Kontrolle, nicht Determinismus

Das ist wahrscheinlich der wichtigste Satz des gesamten Artikels.

Referenz
→ Wahrscheinlichkeit erhöhen

nicht:

Referenz
→ Ergebnis garantieren

Das Modell bleibt ein generatives System.

Besonders bei Personen sollte dieser Unterschied eingeplant werden

Wenn absolut exakt dieselbe reale Person erforderlich ist:

Referenzsteuerung allein kann unzureichend sein.

Wenn:

ähnliche fiktive Figur

genügt, kann sie hervorragend funktionieren.

Der Qualitätsmaßstab bestimmt die technische Lösung.

Bei Stil ist etwas Variation dagegen häufig sogar erwünscht

Eine Bildserie soll nicht aussehen wie:

derselbe Stempel hundertmal.

Man möchte:

gemeinsame Bildsprache
+
motivische Vielfalt

Referenzen eignen sich genau dafür.

Eine gute Bildserie besitzt konstante und variable Elemente

Konstant:

Farbsystem

Linien

Detailgrad

Grundästhetik

Variabel:

Motiv

Perspektive

Komposition

Personen

Szene

Das ist der eigentliche Sinn visueller Konsistenz.

Zu starke Referenztreue kann langweilig werden

Wenn jedes Bild:

Motiv rechts,

identischer Hintergrund,

identische Pose

besitzt, entsteht zwar Konsistenz.

Aber auch Monotonie.

Das Ziel lautet:

wiedererkennbar

nicht:

identisch

Das ist ähnlich wie bei einem Magazin

Alle Seiten verwenden dieselbe:

Typografie,

Farbwelt,

Gestaltungslogik.

Trotzdem sieht nicht jede Seite exakt gleich aus.

Eine gute KI-Bildserie sollte ähnlich funktionieren.

Referenzen können dafür eine visuelle Grammatik liefern

Nicht:

ein festes Bild.

Sondern:

So behandeln wir Farben.

So vereinfachen wir Figuren.

So gestalten wir Hintergründe.

So viel Detail verwenden wir.

Das ist eine wesentlich interessantere Vorstellung von KI-Stilkonsistenz.

Ein Style-System kann mehrere Motivtypen enthalten

Zum Beispiel:

Preset A
→ Menschen

Preset B
→ technische Objekte

Preset C
→ abstrakte Konzepte

Alle teilen:

dieselbe visuelle Grundsprache.

Aber besitzen leicht unterschiedliche Referenzen für ihren jeweiligen Bildtyp.

Damit lassen sich schwierige Motivklassen besser behandeln

Vielleicht funktioniert eine Illustrationsreferenz mit Menschen hervorragend.

Bei Serverarchitekturen erzeugt sie aber seltsame Figuren.

Dann braucht Technik eine eigene Referenz innerhalb desselben Style-Systems.

Das Referenzset wird damit zu einer kleinen visuellen Bibliothek

Zum Beispiel:

editorial-v1
├── person-reference
├── object-reference
├── architecture-reference
└── abstract-reference

Der Workflow wählt anhand des Motivtyps.

Ein Sprachmodell kann den Motivtyp klassifizieren

Artikel:

Was ist DNS?

LLM:

{
  "visual_type": "technical_concept"
}

Dann:

technical_concept
↓
passende Style Reference

Das ist ein sinnvoller KI-Schritt.

Die eigentliche Referenzauswahl kann anschließend deterministisch sein

technical_concept
→ reference_technical_03

Damit bleibt die Markenlogik stabil.

Referenzbilder können damit tief in Contentautomation integriert werden

Ein kompletter Workflow:

Artikel
↓
Bildidee
↓
Motivtyp bestimmen
↓
Style Preset auswählen
↓
Referenzset laden
↓
Prompt generieren
↓
Bild erzeugen
↓
Qualitätsprüfung
↓
Freigabe
↓
Weboptimierung
↓
WordPress

Das ist weit mehr als:

KI, mach irgendein Titelbild.

Mehrere Kandidaten bleiben sinnvoll

Auch mit Referenzen ist die Generierung probabilistisch.

Deshalb:

1 Briefing
↓
3–4 Kandidaten
↓
beste Variante auswählen

kann weiterhin eine gute Strategie sein.

Auswahl kann stärker auf Style Consistency achten

Nicht nur:

Welches Bild ist am schönsten?

Sondern:

Welches passt am besten zur bestehenden Bildfamilie?

Das ist für eine Website oft die wichtigere Frage.

Die bestehende Galerie kann selbst zum Qualitätsmaßstab werden

Ein Vision-System könnte beispielsweise:

ein neues Bild

gegen:

mehrere freigegebene Bilder

bewerten.

neues Bild
+
Style Gallery
↓
Stilkonsistenz

Das ist deutlich robuster als der Vergleich mit nur einer einzelnen Vorlage.

Eine Referenzgalerie kann Stil besser repräsentieren

Denn der eigentliche Stil ist nicht:

Bild A.

Sondern:

die Gemeinsamkeiten zwischen:

Bild A
Bild B
Bild C
Bild D

Das ist eine viel bessere Grundlage für langfristige Markenästhetik.

Daraus ergibt sich ein natürlicher nächster Schritt

Bis jetzt verwenden wir Referenzen zur Laufzeit.

Generierung
↓
Referenzbilder mitgeben

Wenn diese Methode zuverlässig genug ist:

perfekt.

Doch irgendwann kann die Frage entstehen:

Können wir der Bild-KI unsere Bildsprache so beibringen, dass wir nicht bei jeder Generierung dieselben Referenzen mitgeben müssen?

Oder:

Können wir eine wiederkehrende Figur beziehungsweise einen eigenen visuellen Look stärker im Modell verankern?

Dann bewegen wir uns von Referenzsteuerung zu Modellanpassung.

Vor Training sollte aber immer geprüft werden, ob Referenzen genügen

Denn Referenzen sind:

schneller,

flexibler,

leichter austauschbar,

einfacher zu testen.

Training erzeugt neue:

Komplexität,

Datenanforderungen,

Versionierung,

Hardwarebedarf.

Die Entscheidung lässt sich einfach formulieren

Prompt reicht?
→ Prompt

Prompt schwankt?
→ Referenz

Referenz schwankt?
→ kontrolliertes Referenzset

Referenzset reicht dauerhaft nicht?
→ LoRA prüfen

Das ist ein sinnvoller technischer Eskalationspfad.

Was du dir über Referenzbilder bei KI merken solltest

Ein Referenzbild gibt einer Bild-KI zusätzliche visuelle Information.

Das Grundprinzip lautet:

Prompt
+
Referenz
↓
Bildmodell
↓
neues Bild

Der wichtigste Unterschied zu Image-to-Image lautet:

Image-to-Image
→ dieses konkrete Bild verändern

während eine Referenz eher bedeutet:

Referenzbild
→ bestimmte Eigenschaften übernehmen

Diese Eigenschaft kann beispielsweise sein:

Stil

Person

Produkt

Motiv

Farbwelt

Komposition

Deshalb ist „Referenzbild“ kein einzelner technischer Zweck.

Ein guter Workflow definiert, welche Rolle die jeweilige Referenz besitzt.

Zum Beispiel:

Referenz A
→ Stil

Referenz B
→ Identität

Prompt
→ neue Szene

Damit lassen sich verschiedene Steuerungsdimensionen voneinander trennen.

Eine Stilreferenz hilft insbesondere dabei, unterschiedliche Motive in einer gemeinsamen Bildsprache zu erzeugen.

unterschiedliche Motive
+
gleiche Stilreferenz
↓
verwandte Bildserie

Eine Personenreferenz versucht dagegen, dieselbe Person über unterschiedliche Szenen hinweg erkennbar zu halten.

Person X
+
neue Szene
↓
Person X in neuer Umgebung

Das ist anspruchsvoller, weil schon kleine Veränderungen im Gesicht als Identitätsverlust auffallen können.

Für wiederkehrende Figuren können mehrere Referenzansichten sinnvoll sein.

Zum Beispiel:

frontal

Dreiviertelprofil

Profil

Eine Produktreferenz funktioniert ähnlich.

Allerdings muss dort klar unterschieden werden zwischen:

visuell ähnliches Produkt

und:

exakt dasselbe reale Produkt

Für Shop- oder Dokumentationsbilder kann generative Drift bei:

Knöpfen,

Nähen,

Farben,

Logos

bereits problematisch sein.

Dann ist es häufig sicherer:

echtes Produkt
↓
deterministisch erhalten

und nur:

Hintergrund
↓
generativ verändern

Referenzen besitzen außerdem häufig eine Gewichtung.

gering
→ mehr Freiheit

hoch
→ stärkere Bindung

Zu wenig Referenzeinfluss kann den gewünschten Stil beziehungsweise die gewünschte Identität verlieren.

Zu viel kann dagegen unerwünschte Eigenschaften der Vorlage übernehmen.

Deshalb muss die Referenzstärke für den jeweiligen Anwendungsfall getestet werden.

Auch mehrere Referenzen können kombiniert werden.

Style Reference
+
Identity Reference
+
Pose
+
Prompt
↓
Bild

Mehr Bedingungen bedeuten aber nicht automatisch bessere Bilder.

Jede Referenz sollte eine konkrete Aufgabe lösen.

Ein sinnvoller Grundsatz lautet:

nur so viel Steuerung wie nötig

Für automatisierte Bildserien sollten Referenzen wie andere Produktionskonfigurationen behandelt werden.

Also:

eindeutige ID

Version

Typ

Freigabestatus

Einsatzbereich

Statt Referenzbilder lose in irgendwelchen Workflowordnern zu verteilen.

Ein strukturiertes Preset könnte beispielsweise lauten:

{
  "preset": "editorial-v3",
  "reference": "style_reference_12",
  "reference_type": "style",
  "aspect_ratio": "16:9",
  "status": "approved"
}

Der eigentliche Auftrag enthält dann nur noch die konkrete Bildidee.

{
  "concept": "Ein lokaler KI-Server verarbeitet mehrere Anfragen."
}

Damit kann n8n den gesamten Ablauf automatisieren:

Artikel
↓
Bildbriefing
↓
Motivtyp
↓
Style Preset
↓
Referenz
↓
Bild-KI
↓
Review
↓
WordPress

Auch bei Referenzen gilt jedoch:

Steuerung
≠
Garantie

Die Bild-KI bleibt generativ.

Referenzbilder erhöhen die Wahrscheinlichkeit gewünschter visueller Eigenschaften.

Sie machen das System nicht deterministisch.

Wenn über sehr viele Bilder hinweg eine besonders starke Konsistenz benötigt wird, kann deshalb irgendwann eine Modellanpassung interessanter werden.

Dann lautet das Prinzip nicht mehr:

Zeige der KI
bei jeder Generierung
eine Referenz.

Sondern:

Bringe dem Modell
bestimmte visuelle Eigenschaften
als Adapter bei.

Damit kommen wir zum nächsten wichtigen Thema im Bild-KI-Cluster.