Du gibst einer KI einen Satz:

Ein alter Leuchtturm auf einer felsigen Insel bei Sonnenuntergang, fotografisch, dramatischer Himmel.

Wenige Sekunden später erscheint ein Bild.

Es wurde nicht aus einer gewöhnlichen Bilddatenbank herausgesucht.

Es existierte vorher in genau dieser Form nicht.

Das System hat aus deiner Beschreibung ein neues Bild erzeugt.

Das ist generative Bild-KI.

Vereinfacht:

Textbeschreibung
↓
Bildmodell
↓
neues Bild

Bild-KI kann heute allerdings wesentlich mehr als nur Bilder aus Text erzeugen.

Sie kann beispielsweise:

vorhandenes Bild
↓
verändern

oder:

Bild
↓
bestimmten Bereich markieren
↓
nur diesen Bereich neu erzeugen

oder:

Referenzbild
+
Textanweisung
↓
neue Variante

Damit wird aus einem Bildgenerator ein Werkzeug für:

Illustration,

Fotobearbeitung,

Design,

Produktvisualisierung,

Contentproduktion

und kreative Experimente.

Bild-KI ist ein Teil generativer KI

Unter generative KI haben wir Systeme betrachtet, die neue Inhalte erzeugen können.

Ein Sprachmodell erzeugt beispielsweise:

Text

Ein Bildmodell erzeugt:

Bilddaten

Ein Audiomodell:

Ton

Ein Videomodell:

Bildfolgen über Zeit

Das Grundprinzip ähnelt sich:

Ein Modell lernt statistische Strukturen aus sehr großen Datenmengen und erzeugt daraus neue Inhalte.

Die konkrete Technik unterscheidet sich jedoch erheblich.

Ein Bildmodell besitzt keine klassische Bilddatenbank im Kopf

Ein verbreitetes Missverständnis lautet:

Die KI sucht passende Bilder aus ihren Trainingsdaten zusammen.

So sollte man sich ein generatives Bildmodell nicht vorstellen.

Es arbeitet nicht wie:

Prompt
↓
Bildarchiv durchsuchen
↓
passendes Bild auswählen

Sondern eher:

Prompt
↓
gelernte visuelle Strukturen
↓
neue Bildinformation erzeugen

Das Modell hat während des Trainings Zusammenhänge gelernt.

Zum Beispiel:

wie ein Hund typischerweise aussieht,

wie Licht auf Metall fällt,

wie eine Landschaft aufgebaut sein kann,

welche visuellen Merkmale mit Begriffen wie „Aquarell“, „Nahaufnahme“ oder „Nacht“ zusammenhängen.

Aus diesen statistischen Zusammenhängen entsteht das neue Bild.

Die KI speichert dabei nicht einfach jedes Trainingsbild vollständig

Ein Modell besitzt Parameter.

Diese Parameter codieren gelernte Zusammenhänge.

Ähnlich wie bei einem Sprachmodell:

Trainingstexte
↓
Modellparameter

nicht bedeuten:

alle Texte
↓
vollständige Datenbank im Modell

gilt auch bei Bildmodellen:

Trainingsbilder
↓
gelernte Parameter

Das ist keine gewöhnliche Bildersammlung.

Trotzdem können Trainingsdaten das Modell deutlich prägen

Wenn ein Modell während seines Trainings sehr viele Bilder bestimmter Motive, fotografischer Konventionen oder Designrichtungen gesehen hat, lernt es entsprechende Muster.

Darum kann es beispielsweise verstehen, was gemeint ist mit:

Portrait

Makrofotografie

Ölgemälde

Architekturfotografie

Comicartige Illustration

Es hat die visuellen Beziehungen dieser Begriffe gelernt.

Wie versteht eine Bild-KI Text?

Die Textbeschreibung muss zunächst in eine mathematische Repräsentation übersetzt werden.

Vereinfacht:

Prompt
↓
Text-Encoder
↓
mathematische Repräsentation
↓
Bildgenerator

Aus:

roter Oldtimer vor einem Hotel

werden nicht direkt Pixel.

Zunächst entsteht eine interne Repräsentation der Bedeutung.

Embeddings tauchen auch bei Bild-KI auf

Unter Embeddings haben wir gesehen, dass Inhalte als Zahlenvektoren dargestellt werden können.

Auch Text-zu-Bild-Systeme arbeiten mit mathematischen Repräsentationen von:

Text,

Bildmerkmalen

und anderen Bedingungen.

Konzeptionell:

"roter Oldtimer"
↓
Textrepräsentation

Diese beeinflusst anschließend die Bildgenerierung.

Ein Prompt ist deshalb keine Zeichenanweisung wie bei einem Malprogramm

Ein Grafikprogramm könnte sagen:

Pixel x=120
Pixel y=240
Farbe=#ff0000

Ein Bildmodell bekommt dagegen:

Ein roter Oldtimer fährt durch eine regennasse Straße bei Nacht.

Es muss daraus selbst erschließen:

Form,

Perspektive,

Licht,

Umgebung,

Materialien,

Komposition.

Das ist probabilistisch.

Deshalb kann derselbe Prompt unterschiedliche Bilder erzeugen

Prompt:

Eine Katze sitzt am Fenster.

Erster Durchlauf:

Katze links.

Zweiter:

Katze rechts.

Dritter:

andere Fellfarbe.

Vierter:

anderes Fenster.

Das Modell besitzt viele mögliche Bilder, die zu derselben Beschreibung passen könnten.

Prompt
↓
viele plausible Lösungen

Die konkrete Generierung wählt eine davon.

Zufall ist ein wichtiger Bestandteil

Viele Bildgeneratoren beginnen die Generierung mit einem zufälligen Ausgangszustand.

Dieser Zufall wird häufig über einen sogenannten Seed steuerbar.

Prompt
+
Seed
↓
Generierung

Der Seed ist vereinfacht der Startwert für den Zufallsprozess.

Was ist ein Seed?

Nehmen wir:

Prompt:
Ein Haus am See

mit:

Seed:
12345

Ein kompatibles System kann unter gleichen Bedingungen häufig wieder eine sehr ähnliche oder identische Ausgangsgenerierung erzeugen.

Ändert man den Seed:

12346

entsteht eine andere Variante.

Seed und Prompt erfüllen unterschiedliche Aufgaben

Prompt:

Was soll ungefähr dargestellt werden?

Seed:

Welche konkrete Variante innerhalb
dieses Möglichkeitsraums entsteht?

Das macht Seeds beim Experimentieren sehr nützlich.

Ein guter Seed kann festgehalten werden

Angenommen, du erhältst eine Komposition, die dir gefällt.

Seed 817263

Nun möchtest du nur den Prompt leicht verändern.

Statt jedes Mal völlig neue Kompositionen zu erhalten, kann der gleiche Seed helfen, die Ausgangsbedingungen stabiler zu halten.

Allerdings hängt die Reproduzierbarkeit vom jeweiligen Modell und System ab.

Schon kleine Änderungen können trotzdem große Folgen haben

Ändert man:

Prompt,

Modell,

Auflösung,

Sampler,

Generationsparameter,

Softwareversion,

kann sich das Resultat deutlich verändern.

Ein Seed ist daher kein universeller Bildcode.

Er gehört zu einer konkreten Generationskonfiguration.

Was ist ein Diffusionsmodell?

Viele moderne Bildgeneratoren basieren auf dem Prinzip der Diffusion.

Das Grundprinzip lässt sich überraschend anschaulich erklären.

Stell dir zunächst ein Bild vor.

Bild

Nun wird schrittweise Rauschen hinzugefügt.

Bild
↓
etwas Rauschen
↓
mehr Rauschen
↓
noch mehr Rauschen
↓
fast nur noch Rauschen

Während des Trainings lernt das Modell vereinfacht den umgekehrten Weg:

Rauschen
↓
etwas Struktur
↓
mehr Struktur
↓
erkennbare Formen
↓
Bild

Die Generierung beginnt deshalb häufig mit Rauschen

Ein vereinfachter Ablauf:

zufälliges Rauschen
↓
Bildmodell
↓
Rauschen schrittweise reduzieren
↓
Bildstruktur entsteht
↓
fertiges Bild

Die Textbeschreibung beeinflusst, in welche Richtung diese Struktur entwickelt wird.

Der Prompt lenkt die Entrauschung

Ohne Bedingung wären sehr viele Bilder denkbar.

Prompt:

Ein gelber Sportwagen auf einer Bergstraße.

liefert dem Modell eine Richtung.

Rauschen
↓
"gelber Sportwagen"
↓
"Bergstraße"
↓
gewünschte visuelle Struktur

Der Prozess nähert sich einem Bild an, das statistisch gut zur Beschreibung passt.

Das Modell malt nicht einfach von links oben nach rechts unten

Bei Sprachmodellen ist der Ablauf leicht vorstellbar:

Token 1
↓
Token 2
↓
Token 3

Bildgenerierung funktioniert anders.

Das gesamte Bild beziehungsweise eine komprimierte Repräsentation wird über mehrere Schritte immer weiter verfeinert.

Warum arbeitet Bild-KI häufig in einem Latent Space?

Pixelbilder sind groß.

Ein Bild mit:

1024 × 1024 Pixel

besitzt über eine Million Pixel.

Bei mehreren Farbkanälen entstehen sehr viele Werte.

Viele Bildmodelle arbeiten deshalb nicht während des gesamten Generationsprozesses direkt im vollständigen Pixelraum.

Stattdessen wird eine kompaktere Repräsentation verwendet:

der Latent Space.

Was ist ein Latent Space?

Man kann ihn sich vereinfacht als komprimierten mathematischen Darstellungsraum für wichtige Bildmerkmale vorstellen.

Bild
↓
Encoder
↓
Latent Representation

und später:

Latent Representation
↓
Decoder
↓
Bild

Die eigentliche generative Arbeit kann in diesem kleineren Raum stattfinden.

Das spart erheblich Rechenleistung

Statt Millionen Pixelwerte bei jedem Generationsschritt zu bearbeiten, kann das Modell auf einer kompakteren Repräsentation arbeiten.

Pixelraum
→ groß

Latent Space
→ kompakter

Am Ende wird das Ergebnis wieder in ein sichtbares Bild decodiert.

Latent bedeutet nicht, dass dort fertige Bilder gespeichert sind

Auch das wäre ein Missverständnis.

Der Latent Space ist keine geheime Galerie.

Er ist eine mathematische Repräsentation von Bildmerkmalen.

Begriffe wie:

Form,

Farbe,

Struktur,

Komposition

lassen sich dort auf komplexe Weise repräsentieren.

Was ist Text-to-Image?

Text-to-Image ist die bekannteste Form generativer Bild-KI.

Eingabe:

Text

Ausgabe:

Bild

Zum Beispiel:

Eine kleine Buchhandlung in einer mittelalterlichen Gasse, nachts, warmes Licht, leichter Regen, realistische Fotografie.

Daraus erzeugt das Modell ein neues Bild.

Text-to-Image beginnt ohne Ausgangsbild

Prompt
↓
Bildmodell
↓
Bild

Du beschreibst das gewünschte Motiv ausschließlich beziehungsweise hauptsächlich sprachlich.

Das unterscheidet Text-to-Image von Image-to-Image.

Was ist Image-to-Image?

Bei Image-to-Image existiert bereits ein Bild.

Ausgangsbild
+
Anweisung
↓
Bildmodell
↓
verändertes Bild

Zum Beispiel:

Du hast ein Foto eines Hauses.

Anweisung:

Verwandle die Fassade in dunkelroten Backstein und füge moderne schwarze Fensterrahmen hinzu.

Das Modell orientiert sich am Ausgangsbild, verändert es aber entsprechend der Anweisung.

Image-to-Image ermöglicht mehr Kontrolle

Text-to-Image:

Beschreibung
↓
Bild vollständig erzeugen

Image-to-Image:

vorhandene Komposition
+
gewünschte Veränderung
↓
neue Variante

Dadurch lassen sich:

Perspektive,

Grundaufbau,

Motiv

stärker erhalten.

Wie stark das Ausgangsbild erhalten bleibt, kann steuerbar sein

Vereinfacht:

wenig Veränderung
→ Ausgangsbild dominiert

starke Veränderung
→ Prompt dominiert stärker

Je nach Werkzeug heißen entsprechende Einstellungen beispielsweise:

Strength,

Denoising Strength

oder ähnlich.

Sehr niedrige Änderungsstärke

Original
↓
kleine Veränderung

kann beispielsweise nützlich sein für:

Farbkorrekturen,

Materialänderungen,

kleine stilistische Anpassungen.

Sehr hohe Änderungsstärke

Original
↓
nur grobe Orientierung
↓
stark neu generiertes Bild

kann praktisch fast wieder in Richtung Text-to-Image gehen.

Das Ausgangsbild liefert dann nur noch einen Teil der Struktur.

Was ist Inpainting?

Inpainting verändert nur einen ausgewählten Bereich eines vorhandenen Bildes.

Beispiel:

Ein Wohnzimmerfoto.

Der Tisch soll ausgetauscht werden.

Originalbild
↓
Tisch markieren
↓
Prompt:
"moderner runder Holztisch"
↓
nur markierter Bereich wird neu erzeugt

Der Rest des Bildes soll möglichst erhalten bleiben.

Dafür wird eine Maske verwendet

Eine Maske definiert:

Welche Bildbereiche dürfen verändert werden?

Vereinfacht:

weiß
→ bearbeiten

schwarz
→ erhalten

Die genaue technische Darstellung hängt vom Werkzeug ab.

Inpainting ist ausgesprochen vielseitig

Damit lassen sich beispielsweise:

Objekte entfernen,

Objekte hinzufügen,

Kleidung verändern,

Hintergrundausschnitte korrigieren,

Bildfehler reparieren,

Produkte austauschen.

Es ist eine der praktischsten Formen von Bild-KI.

Ein Beispiel

Original:

Person steht vor einer Wand

Maske:

Bereich neben der Person

Prompt:

Stelle dort eine große Topfpflanze hin.

Ergebnis:

gleiche Szene
+
neue Pflanze

Nur der ausgewählte Bereich wird generativ ergänzt.

Was ist Outpainting?

Inpainting arbeitet innerhalb eines vorhandenen Bildes.

Outpainting erweitert es über seine bisherigen Grenzen hinaus.

Originalbild
████████

wird beispielsweise:

████████████████

Die KI erzeugt neue Bildbereiche links und rechts.

Damit kann das Seitenverhältnis verändert werden

Du besitzt ein Hochformat.

Benötigst aber:

Querformat.

Outpainting kann versuchen, die fehlenden Seiten passend zu ergänzen.

┌──────┐
│ Bild │
│ Bild │
│ Bild │
└──────┘

wird zu:

┌────────────────┐
│ neu │ Bild │ neu│
│ neu │ Bild │ neu│
└────────────────┘

Das kann für Webdesign und Social-Media-Formate besonders praktisch sein.

Was ist ein Referenzbild?

Bei vielen Bildsystemen kann neben dem Prompt ein weiteres Bild als Orientierung dienen.

Zum Beispiel:

Referenzbild
+
Prompt
↓
neues Bild

Die Referenz kann unterschiedliche Dinge beeinflussen:

Komposition,

Farbstimmung,

Motiv,

Pose,

Stilmerkmale,

Gesichtsmerkmale,

Produktform.

Nicht jedes System unterstützt dieselben Referenzarten.

Referenzbild ist nicht dasselbe wie Image-to-Image

Bei Image-to-Image ist das vorhandene Bild normalerweise der direkte Ausgangspunkt der Bearbeitung.

Bei einer Referenz kann das Bild eher als:

Orientierung

dienen.

Zum Beispiel:

Erzeuge eine andere Szene, aber nutze diese Farbwelt als Referenz.

Dann kann die Komposition vollständig neu entstehen.

Referenzen können unterschiedlich stark gewichtet werden

Vereinfacht:

geringe Referenzstärke
→ nur leichte Orientierung

hohe Referenzstärke
→ stärkere Ähnlichkeit

Zu hohe Stärke kann allerdings unerwünschte Aspekte des Referenzbilds mitziehen.

Ein Referenzbild enthält mehr Informationen, als man vielleicht beabsichtigt

Du möchtest nur:

Farbpalette.

Das Modell übernimmt aber eventuell zusätzlich:

Perspektive,

Beleuchtung,

Komposition.

Darum ist Referenzsteuerung häufig ein Balanceakt.

Was ist Stil bei Bild-KI?

Mit Stil können sehr unterschiedliche Eigenschaften gemeint sein.

Zum Beispiel:

realistische Fotografie

Aquarell

Bleistiftzeichnung

flache Vektorillustration

Retro-Werbung

dunkle filmische Beleuchtung

Das sind visuelle Eigenschaften, keine einzelnen Motive.

Stil und Inhalt sollten gedanklich getrennt werden

Inhalt:

Frau fährt Fahrrad durch Wien

Stil:

minimalistische redaktionelle Illustration

Zusammen:

Motiv
+
visuelle Umsetzung

Das erleichtert gute Prompts.

Ein Bildprompt kann aus mehreren Ebenen bestehen

Zum Beispiel:

Motiv
↓
Umgebung
↓
Komposition
↓
Licht
↓
Kamera / Perspektive
↓
visueller Stil

Daraus könnte werden:

Ein älterer Mann liest auf einer Parkbank, Herbstlaub, Halbtotalaufnahme, weiches Morgenlicht, geringe Tiefenschärfe, natürliche dokumentarische Fotografie.

Mehr Prompt ist nicht automatisch besser

Eine riesige Liste:

realistisch, extrem realistisch, hyperrealistisch, perfekt, hochdetailliert, wunderschön, 8K, masterpiece …

hilft nicht zwingend.

Ein guter Prompt sollte dem Modell vor allem klare visuelle Informationen geben.

Widersprüchliche Prompts können die Steuerung erschweren

Zum Beispiel:

Minimalistische Schwarzweißzeichnung mit intensiv bunten fotorealistischen Farben.

Das Modell muss widersprüchliche Anforderungen auflösen.

Manchmal entsteht ein kreatives Ergebnis.

Manchmal Chaos.

Reihenfolge kann je nach Modell eine Rolle spielen

Bestimmte Modelle oder Benutzeroberflächen gewichten Promptbestandteile unterschiedlich.

Grundsätzlich ist es sinnvoll, die wichtigsten Informationen klar und nicht versteckt in einem riesigen Text unterzubringen.

Negative Prompts

Manche Bildmodelle unterstützen einen Negative Prompt.

Der normale Prompt sagt:

Was soll enthalten sein?

Der Negative Prompt:

Was soll vermieden werden?

Zum Beispiel:

unscharf
Text
Wasserzeichen

Ob und wie gut negative Prompts funktionieren, ist modellabhängig.

Nicht jedes moderne Bildsystem braucht Negative Prompts

Neuere Modelle können stärker auf natürliche Anweisungen reagieren.

Statt:

Negative Prompt:
kein Auto

kann gegebenenfalls schlicht im normalen Prompt stehen:

Eine autofreie Straße.

Die optimale Methode hängt vom jeweiligen Modell ab.

Warum Bildmodelle manchmal Hände falsch darstellen

Ein Bildmodell versteht eine Hand nicht so wie ein Mensch mit anatomischem Wissen.

Es hat visuelle Muster gelernt.

Hände sind besonders schwierig, weil sie:

viele Gelenke besitzen,

viele mögliche Posen einnehmen,

häufig teilweise verdeckt sind,

sich perspektivisch stark verändern.

Darum entstanden insbesondere bei früheren Bildmodellen typische Fehler:

zu viele Finger,

verschmolzene Finger,

unmögliche Gelenke.

Dasselbe Problem betrifft andere komplexe Strukturen

Zum Beispiel:

Brillen,

Fahrräder,

Besteck,

Instrumente,

Schrift,

mehrere miteinander interagierende Personen.

Je mehr räumliche Beziehungen exakt stimmen müssen, desto anspruchsvoller wird die Generierung.

Moderne Modelle werden darin besser

Aber auch ein sehr leistungsfähiges Bildmodell arbeitet probabilistisch.

Es garantiert nicht:

exakte Anatomie,

exakte Anzahl aller Gegenstände,

technisch korrekte Maschinen,

fehlerfreie Schrift.

Bei wichtigen Details bleibt Kontrolle notwendig.

Schrift ist ein besonderer Fall

Prompt:

Schild mit dem Text „CAFE ROMA“

Frühe Bildmodelle erzeugten häufig:

CAEF RMAO

oder andere pseudoartige Zeichen.

Warum?

Weil Schrift für ein Bildmodell zunächst auch eine visuelle Struktur ist.

Es muss zusätzlich verstehen:

Diese Formen repräsentieren exakt bestimmte Buchstaben in einer bestimmten Reihenfolge.

Für exakte Typografie ist klassische Designsoftware oft besser

Ein sinnvoller Workflow:

KI
↓
Hintergrund / Illustration erzeugen
↓
Grafikprogramm
↓
exakten Text setzen

Nicht jedes Problem muss von der KI gelöst werden.

Bild-KI und klassische Bildbearbeitung ergänzen sich

KI eignet sich hervorragend für:

Generieren,

Entfernen,

Erweitern,

Variieren.

Klassische Software bleibt hervorragend für:

exakte Ebenen,

Vektoren,

Typografie,

Maße,

Farbcodes,

pixelgenaue Kontrolle.

Ein professioneller Workflow kombiniert beides.

Bild-KI ersetzt nicht automatisch Photoshop, Affinity oder andere Editoren

Sie verändert vielmehr, welche Arbeitsschritte automatisiert oder beschleunigt werden können.

Beispiel:

Früher:

Objekt freistellen
↓
Hintergrund suchen
↓
Licht angleichen
↓
Schatten erzeugen

Mit Bild-KI vielleicht:

Objekt
↓
Hintergrund generativ ersetzen
↓
Feinarbeit

Die nachträgliche Kontrolle bleibt wichtig.

Auflösung ist bei Bild-KI nicht beliebig

Ein Modell wird typischerweise mit bestimmten Bildgrößen und Architekturen entwickelt.

Das bedeutet nicht zwingend, dass jede beliebige Auflösung gleich gut funktioniert.

Beispielsweise können bestimmte Modelle besonders gut mit:

quadratischen,

hochformatigen

oder:

querformatigen

Auflösungsbereichen umgehen.

Seitenverhältnis verändert die Bildkomposition

Prompt:

Person vor einem Schloss.

Im Hochformat:

┌───────┐
│ Person│
│       │
│Schloss│
└───────┘

Im Querformat:

┌───────────────────┐
│ Person   Schloss  │
└───────────────────┘

Das Modell muss die Szene unterschiedlich komponieren.

Seitenverhältnis sollte deshalb zum Zielmedium passen

Website-Hero:

breit

Instagram-Post:

quadratisch

Story:

hoch

Artikelillustration:

abhängig vom Layout.

Wenn das Ziel vorher bekannt ist, sollte das Bild möglichst passend erzeugt werden.

Nachträgliches Zuschneiden ist trotzdem möglich

Aber:

Ein zentraler Bildbestandteil kann abgeschnitten werden.

Outpainting kann helfen, wenn eine bestehende Komposition später in ein anderes Format übertragen werden muss.

Was bedeutet Upscaling?

Ein Bild wurde beispielsweise erzeugt mit:

1024 × 1024

wird aber benötigt als:

2048 × 2048

Ein normaler Skalierungsalgorithmus vergrößert vorhandene Pixel mathematisch.

KI-Upscaling kann zusätzlich versuchen, plausible Details zu rekonstruieren beziehungsweise neu zu erzeugen.

Upscaling kann neue Details erfinden

Das ist wichtig.

Ein KI-Upscaler besitzt nicht zwingend die echte Information darüber, wie ein kaum sichtbares Detail ursprünglich aussah.

Er kann etwas plausibel ergänzen.

Das ist bei:

Illustrationen

oft unproblematisch.

Bei:

Beweisbildern,

Dokumentation,

medizinischen oder forensischen Bildern

kann es dagegen problematisch sein.

KI-Verbesserung verändert ein Bild

Begriffe wie:

Enhance,

Restore,

Upscale

klingen manchmal so, als würde lediglich vorhandene Wahrheit sichtbar gemacht.

Generative Verfahren können aber neue Bildinformation hinzufügen.

Das sollte beim Einsatzzweck berücksichtigt werden.

Was bedeutet Super Resolution?

Unter Super Resolution versteht man Verfahren, die aus einer niedrigeren Auflösung eine höher aufgelöste Darstellung erzeugen.

kleines Bild
↓
Modell
↓
größeres Bild

Je nach Verfahren werden:

Kanten,

Texturen,

Details

rekonstruiert beziehungsweise plausibel ergänzt.

Was ist Face Restoration?

Manche Bildwerkzeuge besitzen spezielle Modelle für Gesichter.

Ein unscharfes Gesicht wird:

analysiert
↓
rekonstruiert

Dabei besteht allerdings ebenfalls das Risiko, dass Merkmale verändert werden.

Für dekorative Bilder kann das hilfreich sein.

Für identitätskritische Anwendungen sollte man vorsichtiger sein.

Bild-KI kann bestehende Fotos vollständig transformieren

Aus:

Foto eines Hauses

kann werden:

Aquarellillustration desselben Hauses

oder:

nächtliche Szene

oder:

winterliche Szene

oder:

futuristische Architektur

Je stärker die Transformation, desto weniger bleibt vom Original exakt erhalten.

Das ist Style Transfer im weiteren Sinn

Ein vorhandener Inhalt wird in eine andere visuelle Darstellung überführt.

Inhalt
↓
Stilveränderung
↓
neues Bild

Moderne generative Modelle können dabei wesentlich weiter gehen als klassische neuronale Style-Transfer-Verfahren.

Konsistenz wird schwierig, sobald mehrere Bilder zusammengehören

Du möchtest eine Artikelserie mit zehn Illustrationen.

Alle sollen wirken wie aus derselben Gestaltung.

Die Herausforderung lautet nun nicht:

ein gutes Bild erzeugen.

Sondern:

Bild 1
≈
Bild 2
≈
Bild 3

hinsichtlich:

Farben,

Linien,

Licht,

Figuren,

Komposition.

Ein guter Prompt allein reicht dafür nicht immer

Prompt:

minimalistische redaktionelle Illustration in warmen Farben

kann bei jeder Generierung etwas anders interpretiert werden.

Für strengere Konsistenz können zusätzliche Mechanismen nötig sein:

Referenzbilder,

Stilreferenzen,

angepasste Modelle,

LoRA,

wiederverwendbare Workflowparameter.

Diese Themen behandeln wir später gesondert.

Was ist eine LoRA bei Bildmodellen?

Unter Fine-Tuning haben wir LoRA als ressourcenschonende Methode kennengelernt, um ein bestehendes Modell anzupassen.

Auch bei Bildmodellen kann eine LoRA beispielsweise bestimmte:

visuelle Merkmale,

Objekte,

Figuren,

Gestaltungseigenschaften

verstärken.

Basismodell
+
LoRA
↓
spezifischeres Verhalten

Eine LoRA ist kein komplettes neues Grundmodell

Sie enthält vergleichsweise kleine zusätzliche Anpassungen.

Das Basismodell bleibt notwendig.

Dadurch können mehrere LoRAs mit demselben Basismodell kombiniert beziehungsweise ausgetauscht werden, soweit das jeweilige System dies unterstützt.

Stil-LoRA und Motiv-LoRA sind konzeptionell verschieden

Eine LoRA kann beispielsweise darauf trainiert sein, eine bestimmte Art visueller Darstellung zu reproduzieren.

Eine andere darauf, ein bestimmtes wiederkehrendes Objekt beziehungsweise Erscheinungsbild zuverlässiger darzustellen.

Die tatsächliche Qualität hängt stark von:

Trainingsbildern,

Beschriftung,

Basismodell,

Trainingsparametern

ab.

Ein einzelnes Referenzbild ist etwas anderes als Training

Referenz:

nur für aktuelle Generierung

Training beziehungsweise LoRA:

Modellverhalten dauerhaft beziehungsweise
als Adapter verändern

Diese beiden Methoden werden im Alltag häufig vermischt.

Referenzen sind schneller

Du gibst ein Bild mit.

Generierung.

Fertig.

Training ist aufwendiger, kann aber konsistenter werden

Du stellst beispielsweise mehrere gut ausgewählte Bilder zusammen.

Trainierst einen Adapter.

Danach kann dieser wiederholt eingesetzt werden.

Das kann sinnvoll sein, wenn sehr viele Bilder mit ähnlichen Eigenschaften benötigt werden.

Nicht jedes Konsistenzproblem braucht Fine-Tuning

Bevor man trainiert, sollte man testen:

Prompttemplate,

Referenzbilder,

festgelegte Farbwelt,

gleiche Auflösung,

gleiche Modellversion,

gleiche Parameter.

Oft reicht das bereits aus.

Bildmodelle verändern sich zwischen Versionen

Prompt:

rote Straßenbahn im Regen

kann mit Modell A anders interpretiert werden als mit Modell B.

Darum sollte ein produktiver Bildworkflow Modellversionen festhalten.

model_version
seed
prompt
resolution

Damit wird eine Generierung nachvollziehbarer.

Reproduzierbarkeit bei Bild-KI ist trotzdem begrenzt

Selbst bei gleichem Seed können:

andere Hardware,

andere Softwareversion,

andere Optimierungen

zu kleinen oder größeren Unterschieden führen.

Wer exakt reproduzierbare Designassets benötigt, sollte die finalen Bilddateien selbstverständlich selbst speichern.

Prompt und Seed sind kein Ersatz für das Originalbild

Prompt
+
Seed

ist eher:

ein Rezept.

Die erzeugte Datei ist:

das fertige Ergebnis.

Beides sollte bei wichtigen Projekten archiviert werden.

Metadaten können für Bildworkflows sehr wertvoll sein

Zum Beispiel:

asset_id
prompt
model
model_version
seed
width
height
source_image_id
review_status

Damit wird Bild-KI in automatisierten Prozessen nachvollziehbar.

Warum ist das für Automatisierung wichtig?

Stell dir einen Contentworkflow vor.

Artikel
↓
Bildbriefing
↓
Bild-KI
↓
Bild
↓
Qualitätsprüfung
↓
WordPress

Wenn später gefragt wird:

Wie wurde dieses Bild erstellt?

sind die Metadaten vorhanden.

Bildgenerierung eignet sich hervorragend für n8n-Workflows

Ein möglicher Ablauf:

Artikel fertig
↓
n8n
↓
Bildbriefing erzeugen
↓
Bild-API
↓
Bild speichern
↓
Qualitätsprüfung
↓
WordPress-Mediathek

Damit verbindet sich Bild-KI direkt mit unserem Bereich Automatisierung.

Bildbriefing und Bildprompt sollten getrennt werden können

Artikel:

Warum Websites langsam werden.

Redaktionelles Briefing:

Illustration eines überladenen
Webservers mit vielen wartenden Anfragen.
Keine Logos. Keine Schrift im Bild.
Breites Format für Artikelheader.

Daraus entsteht der eigentliche Bildprompt.

Diese Trennung macht Workflows robuster.

Das Sprachmodell kann das Briefing erzeugen

Artikel
↓
LLM
↓
strukturierte Bildbeschreibung

Zum Beispiel:

{
  "subject": "überlasteter Webserver",
  "composition": "zentrale Servereinheit mit wartenden Datenpaketen",
  "style": "klare redaktionelle Illustration",
  "aspect_ratio": "16:9",
  "avoid_text": true
}

Danach baut der Bildworkflow daraus die gewünschte Generierungsanfrage.

Structured Outputs sind dafür ideal

Statt:

Mach ein cooles Bild über langsame Websites.

liefert das Sprachmodell eine definierte Struktur.

Der Bildgenerator erhält anschließend kontrollierte Parameter.

Damit verbinden sich strukturierte Ausgaben und Bild-KI.

Automatisierung sollte nicht jedes Ergebnis sofort veröffentlichen

Generative Bilder können enthalten:

falsche Gegenstände,

ungewollte Texte,

anatomische Fehler,

visuelle Artefakte,

unpassende Motive.

Darum kann ein sinnvoller Workflow lauten:

Bild erzeugen
↓
automatische Vorprüfung
↓
menschliche Freigabe
↓
veröffentlichen

Mehrere Kandidaten können besser sein als ein Bild

Zum Beispiel:

Prompt
↓
4 Varianten
↓
Auswahl
↓
finales Bild

Ein Mensch oder ein weiteres Bewertungssystem kann den besten Kandidaten auswählen.

Generative KI eignet sich gut für Variantenbildung.

Nicht jedes Bild braucht KI

Eine echte Produktfotografie sollte vielleicht tatsächlich:

das Produkt

zeigen.

Ein Diagramm sollte:

korrekte Zahlen

enthalten.

Ein Logo sollte:

exakte Form

und:

Markenregeln

einhalten.

Für solche Aufgaben können:

Fotografie,

Vektorgrafik,

Diagrammsoftware

besser geeignet sein.

KI-Bilder eignen sich besonders für illustrative Aufgaben

Zum Beispiel:

abstrakte Konzepte,

symbolische Szenen,

redaktionelle Illustrationen,

Stimmungsbilder,

generische Situationen,

Visualisierungen ohne Anspruch auf dokumentarische Echtheit.

Dokumentation und Illustration sollte man unterscheiden

Illustration:

So könnte eine futuristische Stadt aussehen.

Dokumentation:

So sah dieses konkrete Gebäude am 4. Mai aus.

Beim zweiten Fall wäre ein generiertes Bild keine sachliche Dokumentation.

Diese Unterscheidung sollte für Leser erkennbar bleiben.

Bild-KI kann sehr überzeugend wirken

Gerade fotorealistische Bilder können aussehen wie:

Fotografien.

Das erhöht die Verantwortung des Veröffentlichenden.

Ein Bild sollte nicht durch seinen visuellen Realismus eine Realität suggerieren, die es nie gab, wenn dieser Unterschied für den Kontext relevant ist.

Rechtliche Fragen sind ein eigener Themenbereich

Bei Bild-KI können unter anderem relevant werden:

Lizenzbedingungen des verwendeten Modells beziehungsweise Dienstes,

Rechte am Ausgangsbild,

Persönlichkeitsrechte,

Marken,

Urheberrecht,

Kennzeichnungspflichten je nach Verwendung.

Diese Fragen hängen stark vom konkreten Einsatz ab und sollten nicht aus einem technischen Grundlagenartikel heraus pauschal beantwortet werden.

Technisch generierbar bedeutet nicht automatisch frei verwendbar

Ein Bildgenerator kann etwas erzeugen.

Das sagt zunächst nur:

technisch möglich

nicht:

jede Veröffentlichung erlaubt

Dieser Unterschied gilt für KI genauso wie für klassische Bildbearbeitung.

Bilder realer Personen sind besonders sensibel

Bild-KI kann:

Gesichter erzeugen,

Fotos verändern,

Personen in neue Situationen versetzen.

Technisch ist das faszinierend.

Bei realen Personen können jedoch zusätzlich:

Persönlichkeitsrechte,

Täuschungsrisiken

und je nach Kontext weitere Anforderungen

relevant werden.

Ein Produktionsworkflow sollte diese Fälle bewusst unterscheiden.

Generische KI-Personen sind etwas anderes als reale Personen

Ein Bildmodell kann eine vollständig synthetische Person erzeugen.

Prompt
↓
Person, die vorher nicht existierte

Das unterscheidet sich konzeptionell davon, ein Foto einer konkreten realen Person zu verändern.

Auch wenn beide Bilder am Ende fotorealistisch aussehen können.

Bild-KI und lokale KI

Bildmodelle können ebenso wie Sprachmodelle lokal betrieben werden.

lokaler Rechner
↓
Bildmodell
↓
GPU
↓
Bild

Damit gelten viele Prinzipien unseres Artikels über lokale KI erneut.

VRAM ist auch bei Bildmodellen wichtig

Das Modell,

Zwischenergebnisse,

Bildauflösung,

Batchgröße

benötigen GPU-Speicher.

Je höher beispielsweise die Bildauflösung, desto größer können bestimmte temporäre Tensoren werden.

Damit beeinflusst VRAM erneut, was praktisch möglich ist.

Der Speicherbedarf verhält sich aber anders als bei LLMs

Bei Sprachmodellen spielen besonders:

Modellgewichte,

KV-Cache,

Kontextlänge

eine große Rolle.

Bei Bildmodellen spielen unter anderem:

Bildauflösung,

Modellarchitektur,

Batchgröße,

Zwischenrepräsentationen

eine stärkere Rolle.

Man sollte deshalb VRAM-Angaben aus LLM- und Bild-KI-Benchmarks nicht einfach miteinander vermischen.

Quantisierung kann auch Bildmodelle betreffen

Auch neuronale Bildmodelle können mit reduzierter Präzision betrieben werden.

Ziel:

weniger VRAM

und möglicherweise:

schnellere Inferenz

Wie bei Quantisierung gilt:

Niedrigere Präzision kann Auswirkungen auf Qualität und Kompatibilität haben.

Ein lokaler Bildserver kann ähnlich aufgebaut sein wie ein LLM-Server

n8n
↓
Image API
↓
Bildmodell
↓
GPU

Damit wird Bildgenerierung zu einem internen Dienst.

Text und Bild können auf derselben Infrastruktur laufen

Zum Beispiel:

GPU 1
→ LLM

GPU 2
→ Bildmodell

oder je nach Auslastung:

eine GPU
↓
Modelle abwechselnd laden

Der ideale Aufbau hängt vom verfügbaren KI-Hardware-Setup ab.

Zwei GPUs können für Contentautomation sehr praktisch sein

Beispiel:

GPU 1
↓
Textmodell
↓
Artikel

gleichzeitig:

GPU 2
↓
Bildmodell
↓
Illustration

Beide Workflows können parallel arbeiten.

Das ist ein anderer Nutzen von Multi-GPU als das Verteilen eines einzigen großen Sprachmodells.

Eine gemeinsame Jobqueue kann beide koordinieren

Contentjobs
↓
n8n
↓
├── Text Queue → LLM
└── Image Queue → Bildmodell

Dadurch blockiert eine lange Bildgenerierung nicht zwingend Textaufgaben.

Bildgenerierung ist häufig langsamer als kleine Textklassifikation

Ein Klassifikationsmodell erzeugt:

wenige Tokens

Ein Bildmodell berechnet:

viele Generationsschritte
+
große Tensoren

Darum sollte man bei automatisierten Massenprozessen Durchsatz messen.

Vier Bilder pro Artikel multiplizieren die Last

100 Artikel
×
4 Kandidaten
=
400 Bildgenerierungen

Wenn jede Generierung beispielsweise lange dauert, entsteht ein erheblicher GPU-Job.

Auch lokale KI ist nicht kostenlos.

Bild-KI benötigt daher ebenfalls Ressourcenplanung

Jobs
↓
Queue
↓
GPU

Ein Server kann nur eine begrenzte Zahl Bilder gleichzeitig effizient erzeugen.

Batchgenerierung kann sinnvoll sein

Statt unmittelbar nach jedem Artikel ein Bild zu erzeugen:

nachts
↓
alle offenen Bildbriefings
↓
Batch

Das kann die vorhandene GPU effizient auslasten.

Ein Bildworkflow braucht Fehlerzustände

Zum Beispiel:

Generierung fehlgeschlagen

Bildprüfung nicht bestanden

Datei zu groß

falsches Seitenverhältnis

kein geeignetes Ergebnis nach 4 Versuchen

Dann sollte der Workflow nicht endlos neu generieren.

Maximale Versuche verhindern Schleifen

max_generations = 4

Danach:

manuelle Prüfung

Das entspricht den robusten Prinzipien aus Workflows.

Automatische Qualitätsprüfung kann mehrere Ebenen besitzen

Technisch:

Datei vorhanden?
richtige Auflösung?
korrektes Format?

Semantisch:

passt Bild zum Artikel?

Redaktionell:

ist es wirklich veröffentlichungswürdig?

Nicht alle Ebenen lassen sich gleich zuverlässig automatisieren.

Dateiformate bleiben relevant

Ein KI-Generator liefert möglicherweise:

PNG,

JPEG,

WebP

oder andere Formate.

Für eine Website sollte das finale Bild anschließend gemäß den Grundsätzen aus Bilder für Websites optimieren aufbereitet werden.

Bild-KI ersetzt keine Weboptimierung.

Ein riesiges PNG gehört nicht automatisch in WordPress

Workflow:

KI-Bild
↓
Resize
↓
Kompression
↓
passendes Webformat
↓
WordPress

Das verbessert Ladezeit und Speicherbedarf.

Die Generierungsdatei und die Webversion können getrennt bleiben

Original:

hohe Qualität

Web:

optimierte Größe

So kann später bei Bedarf erneut eine andere Ausgabe erzeugt werden.

Bildmetadaten sollten nicht unnötig verloren gehen

Intern kann sinnvoll gespeichert werden:

Prompt,

Seed,

Modell,

Originalgröße,

Asset-ID.

Das muss nicht alles im öffentlichen Bildfile stehen.

Eine interne Asset-Datenbank kann dafür geeigneter sein.

Alt-Text sollte nicht einfach der Bildprompt sein

Bildprompt:

cinematic editorial illustration, warm light, shallow depth…

Alt-Text:

soll dem Leser den relevanten Bildinhalt vermitteln.

Das sind unterschiedliche Aufgaben.

Ein Contentworkflow sollte sie getrennt behandeln.

Auch die Bildunterschrift erfüllt eine andere Funktion

Prompt:

steuert Generierung.

Alt-Text:

beschreibt Bildinhalt für Zugänglichkeit.

Bildunterschrift:

ordnet das Bild redaktionell ein.

Diese drei Texte sollten nicht miteinander verwechselt werden.

Bild-KI kann auch bei bestehenden Websitebildern helfen

Zum Beispiel:

Hintergrund erweitern,

Format ändern,

kleine störende Objekte entfernen,

Illustrationsvariante erzeugen.

Man muss also nicht jede KI-Grafik vollständig neu erzeugen.

Image-to-Image ist dafür besonders wichtig

Ein bestehendes Bild enthält bereits:

Motiv,

Komposition,

Branding.

Die KI übernimmt nur eine bestimmte Transformation.

Das kann kontrollierter sein als komplette Neugenerierung.

Inpainting eignet sich für punktuelle Korrekturen

Beispiel:

Ein hervorragendes Bild besitzt nur einen störenden Gegenstand.

Statt:

gesamtes Bild neu generieren

besser:

störenden Bereich maskieren
↓
Inpainting

Damit bleibt der Rest erhalten.

Iteratives Arbeiten liefert oft bessere Ergebnisse

Text-to-Image
↓
gute Grundkomposition
↓
Inpainting
↓
Details korrigieren
↓
Outpainting
↓
Format anpassen
↓
Upscaling

Bild-KI ist damit nicht nur ein einzelner Generierungsklick.

Sie kann eine komplette Bearbeitungskette bilden.

Ein professioneller Workflow trennt die Schritte

Statt Prompt:

Erzeuge exakt das perfekte finale Werbebild inklusive Text, Logo, Produkt und sämtlichen Details.

kann sinnvoller sein:

1. Hintergrund erzeugen
↓
2. Produkt einfügen
↓
3. Problemstellen korrigieren
↓
4. Layout in Grafiksoftware
↓
5. Text und Logo exakt setzen

Jeder Schritt nutzt das Werkzeug, das dafür am besten geeignet ist.

KI eignet sich besonders gut für unscharfe kreative Entscheidungen

Wie könnte die Szene aussehen?

Welche Atmosphäre passt?

Welche Komposition wirkt interessant?

Normale Grafiksoftware ist besser für harte Regeln:

Logo exakt 120 Pixel breit

Text exakt #1A1A1A

Rand 24 Pixel

Das entspricht unserem allgemeinen Automatisierungsprinzip:

Unscharfe Bedeutung / Kreativität
→ KI

exakte Regeln
→ deterministische Software

Bild-KI kann Teil eines Markenworkflows sein

Ein Unternehmen definiert beispielsweise:

Farbwelt,

Bildsprache,

Personendarstellung,

Kompositionsregeln,

verbotene Motive.

Daraus entsteht ein strukturiertes Style-Briefing.

Brand Guide
↓
Bildbriefing
↓
Bildgenerator

Damit kann die Konsistenz verbessert werden.

Trotzdem sollte Brand Consistency geprüft werden

Eine KI kann:

falsche Farben,

unpassende Stimmung,

ungewünschte Objekte

erzeugen.

Markenrichtlinien sollten deshalb nicht nur im Prompt stehen, sondern soweit möglich zusätzlich automatisch beziehungsweise redaktionell geprüft werden.

Logos sind ein typisches Beispiel für deterministische Assets

Das echte Logo sollte nicht von einer Bild-KI jedes Mal neu „interpretiert“ werden.

Besser:

KI erzeugt Hintergrund
↓
Grafikworkflow setzt echtes Logo

So bleibt die Marke korrekt.

Dasselbe gilt für Produkte

Wenn ein Unternehmen einen konkreten Schuh verkauft:

Ein generiertes Produkt, das nur ungefähr so aussieht, kann ungeeignet sein.

Besser:

echtes Produktfoto

plus:

generierter Hintergrund

oder kontrollierte Image-to-Image-Bearbeitung.

Bild-KI ist besonders stark, wenn Exaktheit nicht das Hauptziel ist

Zum Beispiel:

symbolische Illustration zu Cybersecurity

Hier gibt es kein einziges objektiv „richtiges“ Bild.

Das Modell kann kreativ arbeiten.

Diagramme sind dagegen häufig kein idealer Bild-KI-Fall

Ein Netzwerkdiagramm muss:

richtige Pfeile,

richtige Beschriftungen,

korrekte Beziehungen

zeigen.

Generative Bildmodelle können zwar diagrammartige Bilder erzeugen.

Für echte Wissensvermittlung sind:

Diagrammsoftware,

SVG,

Code

häufig zuverlässiger.

Bild-KI kann aber die visuelle Idee liefern

Konzept
↓
KI-Skizze
↓
manuelle saubere Umsetzung

Auch das kann Zeit sparen.

KI-Bilder sind keine objektiven Beweise

Das klingt offensichtlich, wird aber durch Fotorealismus zunehmend wichtig.

Ein generiertes Bild zeigt:

eine plausible visuelle Konstruktion.

Nicht:

ein tatsächlich stattgefundenes Ereignis.

Bei redaktionellen Websites sollte dieser Unterschied im Kontext immer berücksichtigt werden.

Bild-KI kann Realität und Fiktion überzeugend vermischen

Beispiel:

real existierender Ort

plus:

nie stattgefundenes Ereignis.

Das Bild kann fotografisch überzeugend wirken.

Deshalb sollte die Verwendung nicht allein anhand der Frage entschieden werden:

Sieht es gut aus?

Sondern auch:

Was wird ein Leser daraus schließen?

Bild-KI sollte deshalb zur Funktion des Inhalts passen

Ratgeberillustration:

häufig unproblematischer.

Historische Dokumentation:

deutlich sensibler.

Produktdarstellung:

abhängig von Exaktheit.

Nachrichtenbild:

besonders sorgfältig einordnen.

Die technische Methode ist dieselbe.

Die kommunikative Bedeutung nicht.

Ein Bildgenerator ist ein probabilistisches System

Prompt:

Drei Personen sitzen an einem Tisch.

Vielleicht erscheinen:

drei.

Vielleicht vier.

Vielleicht eine Person im Hintergrund.

Bei exakten Anforderungen muss das Ergebnis geprüft werden.

Zählen ist nicht automatisch eine Stärke

Das Modell erzeugt visuelle Plausibilität.

Es führt nicht notwendigerweise zuerst eine exakte Objektliste:

Person 1
Person 2
Person 3

und rendert diese anschließend deterministisch.

Darum können Mengenfehler auftreten.

Auch räumliche Beziehungen können scheitern

Prompt:

Eine rote Tasse links von einer blauen Tasse, dahinter ein Buch.

Das Modell kann:

Farben vertauschen,

Positionen vertauschen,

zusätzliche Gegenstände erzeugen.

Je komplexer die Szene, desto wahrscheinlicher werden Abweichungen.

Eine Strategie ist Zerlegung

Statt eine extrem komplexe Szene in einem Durchlauf zu verlangen:

Grundbild erzeugen
↓
Objekt A per Inpainting
↓
Objekt B ergänzen
↓
Fehler korrigieren

Das gibt mehr Kontrolle.

Eine andere Strategie sind strukturgebende Bedingungen

Fortgeschrittene Bildsysteme können zusätzliche Informationen verwenden wie:

Kanten,

Tiefeninformationen,

Pose,

Segmentierung,

Skizzen.

Konzeptionell:

Prompt
+
Strukturvorgabe
↓
Bildmodell

Damit lässt sich die Komposition stärker kontrollieren.

Pose-Steuerung ist ein typisches Beispiel

Statt nur:

Person steht mit ausgestrecktem Arm.

kann eine Skelett- beziehungsweise Pose-Vorgabe definieren:

Kopf
Schultern
Arme
Beine

Das Bildmodell füllt anschließend die visuelle Erscheinung aus.

Tiefenkarten können räumliche Struktur erhalten

Eine Tiefenkarte beschreibt grob:

was ist nah?
was ist weit weg?

Damit kann eine bestehende Szenengeometrie bei einer Transformation besser erhalten bleiben.

Kantenmodelle können Konturen übernehmen

Ausgang:

Linien / Kanten

plus:

Prompt

ergibt:

neues Bild
mit ähnlicher Grundstruktur

Das ist besonders interessant für:

Architektur,

Produktentwürfe,

Illustrationen.

Skizze zu Bild

Ein grober Entwurf:

einfache Linienzeichnung
↓
Bildmodell
↓
ausgearbeitete Szene

Damit kann Bild-KI auch als Werkzeug zwischen Ideenphase und fertiger Visualisierung dienen.

Die Grenze zwischen Generierung und Bearbeitung verschwimmt

Früher:

Bildgenerator

und:

Bildeditor

waren klar getrennte Programme.

Moderne generative Systeme können:

erzeugen,

bearbeiten,

erweitern,

variieren,

referenzieren.

Bild-KI wird dadurch zunehmend zu einem generativen Bildarbeitsplatz.

Ein Prompt ist dann nur noch eine mögliche Eingabe

Weitere Eingaben können sein:

Bild

Maske

Skizze

Pose

Tiefenkarte

Stilreferenz

mehrere Referenzbilder

Das Modell verbindet diese Bedingungen.

Je mehr Bedingungen, desto komplexer der Workflow

Text
+
Bild
+
Maske
+
Referenz
+
Pose
↓
Modell

Jede zusätzliche Bedingung kann Kontrolle erhöhen.

Sie kann aber auch zu Konflikten führen.

Bedingungen können widersprüchlich sein

Referenz:

rotes Kleid.

Prompt:

blaues Kleid.

Welche Information soll dominieren?

Das System muss die Gewichtung auflösen.

Darum besitzen fortgeschrittene Tools oft Regler für die Stärke verschiedener Bedingungen.

Mehr Kontrolle bedeutet mehr Parameter

Ein einfacher Cloudgenerator kann bewusst nur wenige Einstellungen zeigen:

Prompt.

Seitenverhältnis.

Fertig.

Ein lokaler Bildworkflow kann dagegen dutzende Parameter besitzen.

Das bietet mehr Kontrolle.

Aber auch mehr Möglichkeiten, schlechte Konfigurationen zu erzeugen.

Standardwerte sind deshalb wertvoll

Ein guter produktiver Workflow sollte nicht bei jeder Generierung 30 Parameter neu erfinden.

Besser:

Preset:
Editorial Illustration

definiert:

Modell,

Auflösung,

Generationsparameter,

Stilvorgaben.

Der jeweilige Artikel liefert nur das Motiv.

Presets verbessern Konsistenz

Zum Beispiel:

casiopeya-editorial-v1

enthält:

Bildmodell
Seitenverhältnis
Style Prompt
negative Vorgaben
Qualitätsparameter

Nun können hunderte Bilder auf derselben Basis erzeugt werden.

Presets sollten versioniert werden

editorial-v1
↓
editorial-v2

Denn eine Änderung kann den visuellen Charakter der gesamten Website verändern.

Ein Bildworkflow kann damit ähnlich wie Software behandelt werden

Input
↓
Versionierte Konfiguration
↓
Modell
↓
Output
↓
Review

Das entspricht den Prinzipien unserer Workflows.

Bild-KI eignet sich auch hervorragend für Varianten

Ein Motiv:

Serverraum

Varianten:

fotografisch

isometrische Illustration

flache Vektorgrafik

düstere Cyberpunk-Szene

So kann zuerst die gewünschte Bildsprache gefunden werden.

Danach sollte man die Variation wieder reduzieren

Für eine konsistente Website ist nicht jedes Bild völlig anders.

Ein Redaktionssystem kann beispielsweise drei definierte Bildstile zulassen.

Damit entsteht Vielfalt innerhalb eines Rahmens.

Bild-KI kann auch als Moodboard-Werkzeug dienen

Vor einem echten Fotoshooting:

Idee
↓
KI-Varianten
↓
Moodboard
↓
Fotograf

Die KI ersetzt dann nicht die spätere Fotografie.

Sie hilft bei der Planung.

Dasselbe gilt für Architektur und Produktideen

grobe Idee
↓
KI-Visualisierung
↓
Diskussion
↓
echter Entwurf

Die Visualisierung ist eine Idee, kein fertiger technischer Plan.

Bild-KI kann extrem schnell Varianten erzeugen

Das verändert kreative Arbeit.

Früher war eine visuelle Variante möglicherweise:

teuer.

Heute können 20 Varianten innerhalb kurzer Zeit entstehen.

Damit verschiebt sich die Arbeit von:

jede Variante manuell produzieren

zu:

gute Varianten auswählen

Kuratieren wird wichtiger.

Mehr Bilder bedeuten nicht automatisch bessere Gestaltung

Wenn 100 Varianten erzeugt werden, muss jemand entscheiden:

Welche passt zum Inhalt?

Welche ist visuell stark?

Welche enthält keine Fehler?

Welche entspricht der Marke?

Generationsgeschwindigkeit erzeugt ein neues Auswahlproblem.

Gute Bild-KI braucht deshalb Art Direction

Eine klare Vorstellung:

Was soll das Bild kommunizieren?

Welche Emotion?

Welche Bildsprache?

Welche Zielgruppe?

Welche Rolle im Layout?

Erst daraus entsteht ein guter Prompt beziehungsweise Workflow.

Prompt Engineering allein ist zu wenig

Technisch perfekte Promptformulierungen helfen wenig, wenn die visuelle Idee schwach ist.

Bild-KI bleibt ein kreatives Werkzeug.

Die Qualität des Briefings ist entscheidend.

Das lässt sich sehr gut mit Sprachmodellen kombinieren

Artikel:

Text
↓
Sprachmodell
↓
Bildidee
↓
Bildmodell
↓
Illustration

Ein Modell analysiert den Inhalt.

Das andere erzeugt das Bild.

Das Sprachmodell sollte keine Bilddetails erfinden, die dem Artikel widersprechen

Zum Beispiel Artikel:

Warum alte Festplatten ausfallen.

Bildbriefing sollte nicht plötzlich:

moderner Quantencomputer

erzeugen.

Daher kann das Sprachmodell angehalten werden:

nur zentrale Artikelidee abstrahieren

und keine unnötigen sachlichen Details hinzuzufügen.

Inhaltliche Bildprüfung kann ebenfalls KI-gestützt sein

Artikel
+
erzeugtes Bild
↓
Vision-Modell
↓
passt das Motiv?

Das System kann beispielsweise erkennen:

Artikel handelt von einem Fahrrad.

Bild zeigt Motorrad.

Dann:

reject

Trotzdem bleibt die Bewertung probabilistisch

Ein Vision-Modell kann ebenfalls Fehler machen.

Für wichtige Veröffentlichungen ist eine menschliche visuelle Endkontrolle weiterhin sinnvoll.

Automatische Prüfungen eignen sich besonders für harte Kriterien

Breite korrekt?

Datei lesbar?

Seitenverhältnis korrekt?

Dateigröße unter Grenze?

Das sind deterministische Regeln.

Semantische Kriterien können KI übernehmen

enthält das Bild offensichtlich Text?

passt das Motiv zum Thema?

wurde das gewünschte Objekt dargestellt?

Dann:

KI-Prüfung

Kritische Grenzfälle gehen an den Menschen

Wieder unser Grundmuster:

harte Regel
→ Software

Bedeutungsprüfung
→ KI

wichtiger Zweifelsfall
→ Mensch

Das funktioniert bei Bild-KI genauso gut wie bei Textautomatisierung.

Lokale Bild-KI kann enorme Freiheit bieten

Ein eigener Server ermöglicht beispielsweise:

Modelle frei testen,

Workflows anpassen,

Referenzsysteme aufbauen,

viele Generierungen durchführen,

Bilder automatisiert erzeugen.

Dafür übernimmt man wie unter lokaler KI-Server beschrieben selbst:

Updates,

Speicher,

Sicherheit,

GPU-Auslastung.

Cloud-Bild-KI besitzt andere Vorteile

Kein eigener GPU-Server.

Keine Installation.

Leistung bei Bedarf.

Neue Modelle sofort verfügbar.

Dafür entstehen typischerweise:

variable Kosten,

Anbieterabhängigkeit,

mögliche Datenübertragung nach außen.

Hybrid kann wieder die vernünftigste Lösung sein

Zum Beispiel:

Standardillustrationen
→ lokales Bildmodell

besonders anspruchsvolle Einzelbilder
→ Cloudmodell

Oder:

sensible Ausgangsbilder
→ lokal

generische Illustrationen
→ Cloud

Wie bei Sprachmodellen muss nicht alles über dieselbe Infrastruktur laufen.

Bild-KI benötigt ein Asset Management

Wenn automatisiert viele Bilder entstehen, wird schnell die Frage wichtig:

Wo liegen sie?

Welche gehören zu welchem Artikel?

Welche Version wurde veröffentlicht?

Welche können gelöscht werden?

Ein Dateiverzeichnis allein wird bei großen Mengen unübersichtlich.

Eine Asset-ID hilft

article_4711
↓
image_asset_8172

Metadaten:

prompt
seed
model
status
created_at

Damit kann ein Workflow Bilder eindeutig verwalten.

Rohbilder und veröffentlichte Bilder sollten unterschieden werden

generated

reviewed

approved

published

Das ist derselbe Statusgedanke wie bei redaktionellen Texten.

Mehrere Varianten können zusammengehören

briefing_id = 4711

liefert:

candidate_1
candidate_2
candidate_3
candidate_4

Einer bekommt:

approved = true

Der Rest kann später archiviert oder gelöscht werden.

Speicherbedarf wächst schnell

Ein Bild:

5 MB.

100 Bilder:

500 MB.

100.000 Bilder:

500 GB.

Dazu möglicherweise:

Originale,

Webversionen,

Thumbnails.

Bildautomation braucht deshalb Speicherplanung.

Nicht jede Zwischenversion muss für immer erhalten bleiben

Vielleicht:

freigegebenes Original

und:

finale Webversion

dauerhaft.

Abgelehnte Testvarianten:

nach einer definierten Frist löschen.

Das spart Speicher.

Reproduzierbarkeit kann bestimmen, was behalten werden muss

Wenn ein Bild mit Modell und Seed zuverlässig reproduzierbar wäre, könnte man theoretisch nur die Parameter speichern.

Praktisch können Modellversionen verschwinden oder Ergebnisse sich durch Softwareupdates verändern.

Für veröffentlichte Assets sollte deshalb die finale Datei erhalten bleiben.

Bild-KI kann auch Such- und Metadatenprozesse unterstützen

Ein vorhandenes Bild:

Bild
↓
Vision-Modell
↓
Beschreibung

Daraus können beispielsweise entstehen:

Motivbeschreibung,

Tags,

Alt-Text-Vorschlag.

Das ist die andere Richtung:

Bild
→ Text

und damit ein weiteres Feld multimodaler KI.

Bildmodelle und Vision-Sprachmodelle sind nicht zwangsläufig dasselbe

Ein Generator:

Text
→ Bild

Ein Vision-Sprachmodell:

Bild
+
Frage
→ Textantwort

Ein modernes System kann mehrere Fähigkeiten kombinieren.

Technisch sollten sie trotzdem gedanklich getrennt werden.

Multimodal bedeutet mehrere Modalitäten

Zum Beispiel:

Text
+
Bild
↓
Modell
↓
Text

oder:

Text
+
Bild
↓
Modell
↓
Bild

Die Grenzen zwischen KI-Kategorien werden dadurch zunehmend fließend.

Für unsere Wissensstruktur bleiben klare Begriffe trotzdem hilfreich

Bild-KI als Oberbegriff.

Darunter:

Text-to-Image

Image-to-Image

Inpainting

Referenzsteuerung

lokale Bildmodelle

So kann jeder Mechanismus einzeln verstanden werden.

Text-to-Image ist die logische erste Vertiefung

Dort können wir genauer untersuchen:

Wie beschreibt man ein Motiv?

Wie steuert man:

Komposition,

Perspektive,

Licht,

Stil,

Seitenverhältnis?

Was bringt ein Seed?

Wie entstehen Varianten?

Welche Promptbestandteile sind tatsächlich sinnvoll?

Danach Image-to-Image

Hier wird besonders interessant:

Wie stark bleibt das Original erhalten?

Was bedeutet Denoising Strength?

Wann wird aus Bearbeitung praktisch eine Neugenerierung?

Wie verwendet man Fotos, Skizzen und andere Referenzen?

Danach Inpainting

Dort können wir genauer behandeln:

Masken,

Objekte entfernen,

Objekte ergänzen,

Bildbereiche reparieren,

Übergänge,

Kontext außerhalb der Maske.

Damit entsteht ein vollständiger Grundlagencluster.

Was du dir über Bild-KI merken solltest

Bild-KI bezeichnet KI-Systeme, die Bilder analysieren, erzeugen oder verändern können. In unserem Cluster geht es vor allem um generative Bild-KI.

Das einfachste Prinzip lautet:

Text
↓
Bildmodell
↓
neues Bild

Das nennt man:

Text-to-Image.

Bei:

Image-to-Image

kommt ein vorhandenes Bild hinzu.

Ausgangsbild
+
Anweisung
↓
Bildmodell
↓
verändertes Bild

Bei:

Inpainting

wird nur ein bestimmter Bildbereich verändert.

Bild
+
Maske
+
Anweisung
↓
neuer Bildbereich

Bei:

Outpainting

wird das Bild über seine bisherigen Grenzen hinaus erweitert.

bestehendes Bild
↓
neue Fläche außen
↓
KI ergänzt Szene

Viele moderne generative Bildmodelle arbeiten nach einem Diffusionsprinzip.

Vereinfacht:

Rauschen
↓
schrittweise strukturieren
↓
Bild

Der Prompt lenkt diesen Prozess.

Die Generierung erfolgt dabei häufig nicht vollständig direkt auf Pixeln, sondern in einem kompakteren Latent Space.

Rauschen im Latent Space
↓
Generierung
↓
Decoder
↓
sichtbares Bild

Ein wesentlicher Grund für unterschiedliche Ergebnisse bei gleichem Prompt ist der Zufallsprozess.

Der Seed bestimmt vereinfacht einen Ausgangspunkt dieses Zufalls.

Prompt
+
Seed
↓
konkrete Variante

Ein anderer Seed kann eine völlig andere Komposition erzeugen.

Ein Prompt wiederum kann Informationen enthalten über:

Motiv

Umgebung

Komposition

Perspektive

Licht

Stil

Mehr Prompttext bedeutet allerdings nicht automatisch bessere Ergebnisse.

Klare visuelle Anweisungen sind meist wertvoller als lange Sammlungen allgemeiner Qualitätsbegriffe.

Referenzbilder können zusätzliche Kontrolle liefern.

Prompt
+
Referenz
↓
neues Bild

Dabei kann die Referenz beispielsweise beeinflussen:

Komposition,

Farbstimmung,

Motiv,

visuelle Merkmale.

Das ist nicht identisch mit Image-to-Image, bei dem das vorhandene Bild üblicherweise direkter Ausgangspunkt der Transformation ist.

Für strengere Konsistenz können zusätzliche Methoden zum Einsatz kommen:

Referenzbilder

Strukturvorgaben

LoRA

Presets

Eine LoRA kann ein bestehendes Basismodell gezielt an bestimmte visuelle Eigenschaften anpassen.

Basismodell
+
LoRA
↓
spezifischeres Bildverhalten

Bild-KI ist probabilistisch.

Das bedeutet:

Prompt
≠
Garantie

Ein Modell kann:

falsche Objektzahlen,

anatomische Fehler,

unpassende Schrift,

räumliche Widersprüche

erzeugen.

Deshalb sollte bei automatisierten Bildworkflows eine Qualitätsprüfung vorgesehen werden.

Ein robustes System kann beispielsweise lauten:

Artikel
↓
Bildbriefing
↓
Structured Output
↓
Bildgenerator
↓
technische Prüfung
↓
semantische Prüfung
↓
menschliche Freigabe
↓
Bildoptimierung
↓
WordPress

Damit fügt sich Bild-KI nahtlos in unsere bisherigen Themen Automatisierung, Workflows und n8n ein.

Auch lokale Bild-KI lässt sich als Dienst betreiben.

n8n
↓
Image API
↓
lokaler Bildserver
↓
GPU

Dabei gelten erneut die Grundlagen aus:

lokale KI,

KI-Hardware,

VRAM

und:

Quantisierung.

Bild-KI sollte trotzdem nicht als Ersatz für jedes visuelle Werkzeug verstanden werden.

Die sinnvollste Trennung lautet häufig:

kreative visuelle Interpretation
→ KI

exakte Maße, Schrift und Markenassets
→ klassische Grafiksoftware

So kann beispielsweise die KI eine redaktionelle Illustration erzeugen, während:

Logo,

Beschriftung,

exakte Typografie

anschließend deterministisch gesetzt werden.

Gerade darin liegt die Stärke moderner Bild-KI:

Sie muss nicht den gesamten Designprozess ersetzen.

Sie kann genau die Arbeit übernehmen, für die generatives Denken besonders geeignet ist:

aus einer Idee eine visuelle Möglichkeit machen.