Du besitzt ein Bild, das fast perfekt ist.Die Beleuchtung stimmt.Die Perspektive gefällt dir.Das Hauptmotiv sitzt genau richtig.Nur eines stört.Vielleicht steht auf dem Tisch eine hässliche Plastikflasche.Vielleicht soll eine Lampe durch eine Pflanze ersetzt werden.Vielleicht fehlt auf einer freien Wand ein Bild.Vielleicht besitzt ein KI-generiertes Portrait eine fehlerhafte Hand.Es wäre unsinnig, das gesamte Bild neu erzeugen zu lassen.Genau dafür gibt es Inpainting.Das Prinzip lautet:vorhandenes BildDer markierte Bereich wird durch eine Maske definiert.Damit bekommt die Bild-KI eine zusätzliche Information:
+
markierter Bildbereich
+
Anweisung
↓
Bild-KI
↓
nur dieser Bereich wird neu erzeugt
Hier darfst du etwas verändern. Den übrigen Bildinhalt sollst du möglichst erhalten.
Inpainting ist gezielte generative BildbearbeitungBei Text-to-Image beginnt die KI ohne Ausgangsbild.Prompt
↓
neues Bild
Bei Image-to-Image wird ein bestehendes Bild insgesamt neu interpretiert.Ausgangsbild
+
Prompt
↓
transformiertes Gesamtbild
Beim Inpainting wird die Generationsfreiheit räumlich eingeschränkt.Bild
↓
bestimmter Bereich
↓
KI generiert nur dort
Das macht Inpainting zu einem der präzisesten Werkzeuge generativer Bildbearbeitung.Die Maske entscheidet, wo die KI arbeiten darfStell dir ein Foto eines Wohnzimmers vor.Auf einem Tisch steht eine Vase.Die Vase soll durch eine Tischlampe ersetzt werden.Dann wird ungefähr der Bereich der Vase markiert.┌─────────────────────────┐
│ │
│ Wohnzimmer │
│ │
│ ███ │
│ ███ │
│ ███ │
│ Tisch │
└─────────────────────────┘
Der markierte Bereich ist die Maske.Prompt:Kleine moderne Tischlampe aus schwarzem Metall, warmes Licht.
Das Modell erhält nun:das komplette Originalbild,die Position der Maskeund die gewünschte Veränderung.Warum braucht die KI das restliche Bild?Eine neue Lampe darf nicht einfach isoliert irgendwo erscheinen.Das Modell muss verstehen:Wo steht der Tisch?Aus welchem Winkel wird er fotografiert?Woher kommt das Licht?Welche Farben besitzt der Raum?Wie groß müsste die Lampe ungefähr sein?Darum bekommt die KI neben der Maske auch Informationen aus dem umliegenden Bild.Umgebung
↓
liefert Kontext
↓
maskierter Bereich wird passend ergänzt
Genau diese Kontextfähigkeit macht generatives Inpainting so leistungsfähig.Inpainting ist mehr als Kopieren und RetuschierenKlassische Bildbearbeitung kennt Werkzeuge wie:Klonstempel,Reparaturpinsel,Content-Aware Fill.Sie arbeiten hauptsächlich mit bereits vorhandenen Bildinformationen beziehungsweise analysieren umliegende Pixel.Generatives Inpainting kann darüber hinaus neue Bildinhalte erfinden.Du kannst also nicht nur sagen:Entferne diese Vase.
Sondern:Ersetze diese Vase durch eine alte grüne Schreibtischlampe.
Das gewünschte Objekt muss nirgendwo im Originalbild vorhanden sein.Die drei wichtigsten Inpainting-AufgabenPraktisch lassen sich viele Anwendungen auf drei Fälle reduzieren:entfernen
ersetzen
ergänzen
Diese drei Fälle brauchen teilweise unterschiedliche Promptstrategien.Objekte entfernenAusgangsbild:Ein schöner Strand.Im Hintergrund steht ein Mülleimer.Maske:Mülleimer plus etwas Umgebung.Anweisung:Natürlicher Sandstrand, passend zur Umgebung.
Das Modell versucht nun nicht primär, einen „unsichtbaren Mülleimer“ zu erzeugen.Es rekonstruiert stattdessen, was sich hinter dem entfernten Objekt plausibel befinden könnte.Mülleimer
↓
entfernen
↓
Sand und Umgebung rekonstruieren
Das Modell weiß nicht, was tatsächlich hinter dem Objekt warDas ist wichtig.Wenn der Mülleimer einen Stein verdeckt hat, kennt die KI diesen Stein nicht.Sie kann nur eine plausible Fortsetzung erzeugen.Deshalb lautet die korrekte Vorstellung:fehlender Bereich
↓
plausibel rekonstruieren
nicht:verdeckte Realität
↓
wieder sichtbar machen
Das ist bei dekorativen Bildern meist unproblematischBei:Urlaubsbildern,Websiteillustrationen,Werbemotiven,kreativen Bildernmöchte man häufig nur ein visuell überzeugendes Ergebnis.Dann genügt eine plausible Rekonstruktion.Bei dokumentarischen Bildern ist die Unterscheidung wichtigEin generativ entfernter Gegenstand verändert die dokumentierte Realität.Das ist etwas anderes als:Helligkeit korrigierenoder:Staub auf einem Scan entfernen.Für journalistische, wissenschaftliche, forensische oder beweisrelevante Bilder muss deshalb besonders sorgfältig unterschieden werden zwischen:technischer Korrektur
und:generativer Inhaltsveränderung
Objekte ersetzenAusgang:rote Tasse
Gewünscht:grüne Teekanne
Maske:die Tasse plus etwas Rand.Prompt:Kleine dunkelgrüne Keramikteekanne auf dem Tisch, gleiche Lichtstimmung und Perspektive.
Nun muss die KI mehrere Dinge gleichzeitig lösen:Objekt erzeugen,richtige Größe wählen,Perspektive anpassen,Kontakt mit dem Tisch darstellen,Schatten erzeugen,Licht übernehmen.Gute Inpainting-Ergebnisse müssen physikalisch plausibel wirkenEin eingefügtes Objekt sieht schnell falsch aus, wenn:der Schatten fehlt,das Licht aus der falschen Richtung kommt,die Perspektive nicht stimmt,das Objekt schwebt,die Farbtemperatur nicht passt.Generative Modelle können viele dieser Beziehungen aus dem Bildkontext ableiten.Trotzdem sollte das Ergebnis geprüft werden.Objekte ergänzenEin leerer Schreibtisch.Prompt:Ein geschlossenes schwarzes Notizbuch liegt links neben der Tastatur.
Maske:freie Fläche auf dem Tisch.Das Modell erzeugt das neue Objekt direkt an dieser Position.Das ist besonders praktisch, weil die Maske bereits die ungefähre Platzierung vorgibt.Die Maske ist damit auch ein KompositionswerkzeugBei Text-to-Image müsstest du schreiben:Das Notizbuch liegt links unten neben dem Laptop.
Beim Inpainting zeichnest du ungefähr dort die Maske.Position
↓
durch Maske vorgegeben
Aussehen
↓
durch Prompt beschrieben
Diese Kombination erlaubt wesentlich präzisere Bildgestaltung.Die Maske sollte häufig größer sein als das eigentliche ObjektNehmen wir wieder die Vase.Wenn exakt nur die sichtbaren Vasenpixel maskiert werden: ███
█████
█████
███
kann die KI Schwierigkeiten haben, einen sauberen Übergang zur Umgebung zu erzeugen.Besonders:Schatten,Reflexionen,Kontaktflächeliegen möglicherweise außerhalb des eigentlichen Objekts.Etwas zusätzlicher Rand gibt der KI SpielraumBesser kann sein: ███████
███████
███████
███████
also:Objekt plus etwas Umgebung.Dann kann das Modell:Übergänge,Schatten,Randbereicheneu gestalten.Zu große Masken haben allerdings einen NachteilJe größer die Maske:mehr Bildinhalt darf neu entstehen
Damit steigt die Gefahr, dass:Möbel verändert,Strukturen verschoben,wichtige Details neu erfundenwerden.Der optimale Maskenbereich ist deshalb ein Kompromiss:genug Umgebung für saubere Übergänge
↔
so wenig Bild wie nötig verändern
Kleine kontrollierte Schritte sind oft besserAngenommen, ein KI-Bild besitzt drei Fehler:eine falsche Hand,eine schiefe Tasse,ein seltsames Schild.Man könnte alles gleichzeitig maskieren.Besser ist häufig:Hand korrigieren
↓
Ergebnis speichern
↓
Tasse korrigieren
↓
Ergebnis speichern
↓
Schild bearbeiten
Dadurch bekommt jede Veränderung eine klare Aufgabe.Große Masken erzeugen mehr kreative FreiheitDas kann gewollt sein.Beispiel:Komplette Wand eines Wohnzimmers wird maskiert.Prompt:Große Bücherwand aus dunklem Holz mit integrierter indirekter Beleuchtung.
Nun soll ein erheblicher Teil des Bildes neu entstehen.Dafür ist eine große Maske sinnvoll.Kleine Maske für kleine Aufgabekleiner Fleck
→ kleine Maske
komplettes Möbelstück
→ größere Maske
ganzer Hintergrund
→ sehr große Maske
Die Maskengröße sollte zur eigentlichen Bearbeitung passen.Was bedeutet Feathering?Wenn eine Maske eine vollkommen harte Grenze besitzt:Original | Generierung
kann ein sichtbarer Übergang entstehen.Beim Feathering beziehungsweise Weichzeichnen des Maskenrandes entsteht ein Übergangsbereich.Original
↓
Mischbereich
↓
neuer Inhalt
Das kann besonders bei:Haut,Himmel,Wänden,weichen Schatten,organischen Texturenhelfen.Harte Masken können trotzdem sinnvoll seinBei einem klar abgegrenzten Objekt:Monitor,Fenster,Schild,geometrische Flächekann ein präziser Maskenrand nützlich sein.Wie weich die Kante sein sollte, hängt stark vom Motiv ab.Die Umgebung der Maske ist entscheidendStell dir vor, eine Person hält eine Tasse.Nur die Tasse wird maskiert.Die KI soll daraus ein Buch machen.Problem:Die Hand außerhalb der Maske bleibt in einer Greifhaltung für eine Tasse.Das neue Buch muss irgendwie dazu passen.Vielleicht gelingt es.Vielleicht nicht.Beziehungen über Maskengrenzen hinweg können problematisch seinHand
↓
hält
↓
Objekt
Wenn nur:Objekt
verändert wird, aber:Hand
unverändert bleibt, kann eine unnatürliche Verbindung entstehen.Dann sollte eventuell ein Teil der Hand mit in die Maske aufgenommen werden.Dasselbe gilt für SchattenEin Stuhl wird entfernt.Der Stuhl ist weg.Sein Schatten bleibt.Das wirkt sofort falsch.Deshalb sollte bei Objektentfernung häufig auch der zugehörige:Schatten,Spiegelung,Kontaktbereichberücksichtigt werden.Reflexionen werden leicht vergessenEin Gegenstand steht vor einem Spiegel.Du maskierst nur den Gegenstand.Die Spiegelung bleibt.Nun existiert:kein Objekt
+
Spiegelbild des Objekts
Ein offensichtlicher Fehler.In solchen Szenen muss die Maske eventuell mehrere räumlich getrennte Bereiche umfassen.Inpainting verlangt deshalb BildverständnisNicht nur:Was will ich löschen?
Sondern:Welche visuellen Folgen besitzt dieses Objekt im restlichen Bild?
Dazu können gehören:Schatten,Reflexionen,Licht,Verdeckungen,Interaktionen mit Personen.Prompt und Maske arbeiten zusammenEine gute Maske allein reicht nicht.Prompt:ändern.
ist zu ungenau.Besser:Leere weiße Wand mit derselben Beleuchtung und Oberflächenstruktur wie die angrenzende Wand.
Oder:Kleiner runder Holztisch, natürlich in die bestehende Szene integriert, gleiche Perspektive und Lichtstimmung.
Der Prompt sollte das gewünschte Ergebnis beschreibenBeim Entfernen eines Gegenstands ist ein häufiger Fehler:Entferne den Stuhl.
Viele generative Systeme arbeiten besser, wenn beschrieben wird, was stattdessen zu sehen sein soll.Also beispielsweise:Freier Holzboden, passend zum umliegenden Boden, ohne Gegenstände.
Positives Ziel statt reinem Löschbefehlnicht:
"keine Vase"
sondern:"freie Tischoberfläche aus hellem Holz"
Das gibt dem Generator konkrete visuelle Information.Kontextbegriffe können Übergänge verbessernBeispielsweise:gleiche Perspektive, identische Lichtstimmung, natürlich integrierter Schatten.
Solche Angaben können dem Modell helfen, die Ergänzung an die bestehende Szene anzupassen.Sie sind trotzdem keine Garantie.Inpainting kann KI-generierte Fehler reparierenEin Text-to-Image-Bild ist fast perfekt.Nur die linke Hand besitzt sechs Finger.Statt den ursprünglichen Prompt zehnmal neu auszuführen:ganze Szene neu generieren
kann man nur die Hand maskieren.Prompt:Anatomisch plausible menschliche linke Hand in natürlicher entspannter Haltung.
Dadurch bleibt:Gesicht,Kleidung,Hintergrund,Kompositionweitgehend erhalten.Hände bleiben trotzdem schwierigEine Hand hängt mit:Arm,Pose,Gegenstand,Perspektivezusammen.Eine zu kleine Maske um einzelne Finger kann dem Modell zu wenig Freiheit geben.Manchmal ist es besser, die gesamte Hand inklusive Handgelenk zu maskieren.Gesichter lassen sich ebenfalls korrigierenBeispiel:Ein Auge ist verzerrt.Man könnte nur:Augemaskieren.Das Risiko besteht jedoch, dass das neue Auge nicht mehr exakt zum Gesicht passt.Bei stärkeren Gesichtsfehlern kann eine etwas größere Region sinnvoll sein.Identität kann beim Inpainting trotzdem driftenGerade bei realen oder wiederkehrenden Personen ist das wichtig.Wenn ein großer Teil des Gesichts neu generiert wird, kann sich die Person verändern.Inpainting bedeutet nicht automatisch:gleiche Identität garantiert
Für identitätskritische Anwendungen können zusätzliche Referenz- oder Identitätsverfahren notwendig sein.Produkte sind ähnlich empfindlichEin konkretes Produkt besitzt vielleicht:bestimmte Tasten,Anschlüsse,Materialien,Logos.Maskierst du einen größeren Bereich, kann die KI Produktdetails erfinden.Für Werbung oder Produktdokumentation sollte deshalb genau geprüft werden, welche Teile tatsächlich generativ verändert werden dürfen.Der kreativste Bereich kann getrennt werdenBeispiel:Echtes Produktfoto.Produkt selbst bleibt unverändert.Nur der Hintergrund wird maskiert.echtes Produkt
↓
geschützt
Hintergrund
↓
Inpainting
Das ist häufig ein sehr sinnvoller kommerzieller Workflow.Hintergrund austauschenOriginal:Produkt auf grauem Tisch.Gewünscht:moderne Küche.Maske:alles außer Produkt.Prompt:Helle moderne Küche mit natürlichem Fensterlicht, dezenter Hintergrund, realistische Produktfotografie.
Das Produkt bleibt idealerweise unverändert, während die Umgebung neu entsteht.Eine saubere Produktmaske ist entscheidendWenn Teile des Produkts versehentlich maskiert werden:KI kann sie neu erzeugen.Wenn umgekehrt Hintergrundbereiche geschützt werden, können alte Farbsäume bestehen bleiben.Freistellung und Maskenqualität haben deshalb direkten Einfluss auf das Ergebnis.Automatische Segmentierung kann Masken erzeugenMan muss eine Maske nicht immer von Hand malen.Ein anderes KI-System kann beispielsweise erkennen:Person
Auto
Hintergrund
und eine passende Segmentierungsmaske erzeugen.Dann:Bild
↓
Segmentierung
↓
Objektmaske
↓
Inpainting
Das ist für automatisierte Bildworkflows besonders interessant.Beispiel: Hintergrund automatisch ersetzenProduktfotografie
↓
Objektsegmentierung
↓
Produktmaske
↓
Maske invertieren
↓
Hintergrund-Inpainting
So können hunderte Produktbilder nach demselben Prinzip bearbeitet werden.Automatische Masken müssen geprüft werdenBesonders schwierig sind:Haare,Fell,durchsichtige Gegenstände,Glas,feine Kabel,Speichen,unscharfe Kanten.Eine unsaubere Maske kann sichtbare Artefakte erzeugen.Haare sind ein klassischer GrenzfallEin einzelnes Haar besitzt:teilweise Transparenz,sehr feine Struktur.Eine harte Binärmaske:Haar
oder
kein Haar
ist dafür oft zu grob.Alpha-Matten beziehungsweise weichere Übergänge können bessere Ergebnisse ermöglichen.Transparente Objekte sind ebenfalls schwierigBeispiel:Glasflasche.Durch die Flasche ist der Hintergrund sichtbar.Wenn nur die Flasche maskiert wird, muss die KI auch verstehen:welcher Hintergrund hinter ihr plausibel weiterläuft.Das kann funktionieren, ist aber anspruchsvoller als ein massiver Gegenstand.Wasser und Spiegelungen erhöhen die KomplexitätEin Boot wird aus einem See entfernt.Die direkte Bootsfläche lässt sich einfach maskieren.Aber:Spiegelung auf dem Wasser,Wellen,Schattenmüssen ebenfalls rekonstruiert werden.Je stärker ein Objekt seine Umgebung beeinflusst, desto aufwendiger ist eine glaubwürdige Entfernung.Inpainting kann auch Textbereiche ersetzenEin KI-Bild enthält unlesbare Fantasieschrift.Man maskiert den Textbereich.Nun gibt es zwei Möglichkeiten.Entweder:leere Fläche erzeugen
und den echten Text später in Grafiksoftware setzen.Oder die Bild-KI erneut um Text bitten.Für exakte Typografie ist die erste Methode meist robuster.Logos sollten ebenfalls klassisch eingesetzt werdenKI soll nicht versuchen, ein echtes Markenlogo aus dem Gedächtnis nachzuzeichnen.Besser:Fläche freimachen
↓
generativer Hintergrund
↓
echtes Logo als Grafikasset
So bleibt das Logo exakt.Inpainting kann Kleidung verändernFoto oder KI-Person:blaues Hemd
↓
Maske über Kleidung
↓
"grauer Wollpullover"
Das Modell versucht:Falten,Körperhaltung,Lichtanzupassen.Maskiere dabei nicht unnötig das GesichtJe kleiner die generative Eingriffsfläche um identitätskritische Bereiche, desto geringer das Risiko unbeabsichtigter Veränderungen.Aber auch hier müssen:Hals,Arme,Übergängegegebenenfalls berücksichtigt werden.Kleidung und Körper interagierenEin lockerer Mantel verändert:Silhouette,Arme,Körperumfang.Wenn nur die ehemalige Hemdfläche maskiert ist, hat das Modell möglicherweise nicht genug Platz für den gewünschten Mantel.Die Maske muss also zur Zielgeometrie passen.Ein neues Objekt braucht PlatzAusgang:kleine Vase.Ziel:große Zimmerpflanze.Maske nur so groß wie die Vase.Die Pflanze kann nicht sinnvoll hinein passen.Deshalb sollte die Maske eher den Bereich umfassen, den das neue Objekt benötigen wird.Die Maske beschreibt nicht nur das Alte, sondern auch den Raum für das NeueDas ist eine wichtige praktische Regel.zu entfernendes Objekt
+
benötigter Platz für neues Objekt
=
sinnvolle Maske
Inpainting kann räumliche Fehler korrigierenEin Tischbein endet unnatürlich.Maske:defekter Bereich plus etwas korrektes Tischbein.Prompt:Natürlich fortgesetztes Holzbein des Tisches mit korrekter Perspektive.
Das Modell nutzt die angrenzende Struktur als Kontext.Struktur sollte teilweise sichtbar bleibenWenn die gesamte relevante Form innerhalb der Maske verschwindet, weiß die KI weniger darüber, wie sie fortgesetzt werden soll.Ein bisschen korrekter Kontext außerhalb beziehungsweise am Rand der Maske kann helfen.Inpainting und Image-to-Image können kombiniert werdenEin praktischer Workflow:Text-to-Image
↓
Grundbild
↓
Image-to-Image
↓
gewünschter Gesamtstil
↓
Inpainting
↓
Einzelfehler korrigieren
Diese Reihenfolge ist häufig effizienter als der Versuch, beim ersten Prompt sofort ein perfektes finales Bild zu erzeugen.Inpainting ist das Werkzeug für die FeinarbeitText-to-Image:Idee erzeugen
Image-to-Image:Gesamtbild verändern
Inpainting:lokal korrigieren
Damit besitzt man bereits einen sehr leistungsfähigen generativen Bildworkflow.Was ist Outpainting?Outpainting ist eng mit Inpainting verwandt.Der Unterschied:Beim Inpainting wird ein Bereich innerhalb des vorhandenen Bildes neu erzeugt.Beim Outpainting entsteht neuer Inhalt außerhalb der bisherigen Bildgrenzen.Originalbild
████████
erweitert
▒▒████████▒▒
Outpainting erweitert die LeinwandBeispiel:Du besitzt ein quadratisches Bild.┌──────────┐
│ │
│ Motiv │
│ │
└──────────┘
Benötigt wird ein breites Websiteheaderbild.┌──────────────────────────────┐
│ neu Motiv neu │
└──────────────────────────────┘
Die KI ergänzt links und rechts plausible Bildinhalte.Das ist für Webdesign besonders praktischEin vorhandenes Foto hat das falsche Seitenverhältnis.Klassisches Zuschneiden würde:wichtige Inhalte abschneiden.Outpainting kann stattdessen:zusätzlichen Hintergrund erzeugen.Das ist besonders interessant für:Hero-Bilder,Banner,Social-Media-Varianten.Outpainting kann Textfreiraum schaffenOriginalmotiv befindet sich mittig.Für eine Website soll links eine Überschrift stehen.Workflow:Bild nach links erweitern
↓
ruhigen Hintergrund erzeugen
↓
Textbereich entsteht
Oder umgekehrt:Motiv rechts,freie Fläche links.Ein guter Outpainting-Prompt beschreibt die FortsetzungBeispiel:Setze die vorhandene Landschaft natürlich nach links fort, gleicher Himmel, gleiche Lichtstimmung und Vegetation, keine zusätzlichen Hauptmotive.
Das verhindert zwar nicht jede Überraschung, gibt dem Modell aber ein klares Ziel.Ohne klare Anweisung kann die KI neue Hauptobjekte erfindenDu möchtest nur:mehr Himmel.Die KI setzt plötzlich:einen Vogel,einen Turm,eine zweite Personhinein.Deshalb kann bei Outpainting eine bewusste Beschreibung der gewünschten Leere wichtig sein.Wiederholung von Strukturen kann schwierig seinGebäudefassade:Fensterfolge.Das Bild wird erweitert.Die KI muss die Architektur sinnvoll fortsetzen.Sie kann dabei:Fensterabstände verändern,Stockwerke erfinden,Symmetrie brechen.Für exakte Architektur ist eine klassische Bildbearbeitung beziehungsweise strukturelle Kontrolle möglicherweise geeigneter.Inpainting eignet sich auch für BildreparaturKratzer in einem alten Scan.Beschädigter Bildrand.Fehlende kleine Bereiche.Generative Ergänzung kann solche Defekte visuell füllen.Aber wiederum gilt:plausible Ergänzung
≠
historische Gewissheit
Je größer der fehlende Bereich, desto mehr muss erfunden werdenEin kleiner Kratzer:Das Modell kann aus umliegenden Pixeln sehr gut ableiten, was wahrscheinlich fehlt.Halbes Gesicht fehlt:sehr viel mehr Interpretation.Darum steigt mit der Größe des generierten Bereichs auch die Unsicherheit.Generative Restaurierung sollte das Original niemals ersetzenSinnvoll:original_scan.tif
plus:restored_generated.jpg
Nicht:Original überschreiben.Das gilt sowohl aus technischer als auch aus dokumentarischer Sicht.Inpainting kann auch für kreative Änderungen genutzt werdenNicht nur Reparatur.Beispiel:leere Wand
↓
Maske
↓
"großes abstraktes Gemälde"
Oder:Garten
↓
Maske
↓
"kleines Holzhaus"
Damit können Varianten ausprobiert werden, ohne die gesamte Szene neu zu erzeugen.Das eignet sich hervorragend für IdeenfindungWohnraum.Garten.Produktdesign.Werbebild.Illustration.Man kann verschiedene lokale Varianten erzeugen:Variante A
Variante B
Variante C
und direkt vergleichen.Seeds können auch beim Inpainting Varianten erzeugenGleiche:Maske,Prompt,Ausgangsbild,aber anderer Seed.Maske
+
Prompt
↓
Seed A → Lampe A
Seed B → Lampe B
Seed C → Lampe C
Damit kann innerhalb derselben Bildposition eine Variantenserie entstehen.Die übrige Szene bleibt dabei wesentlich stabiler als bei neuer Text-to-Image-GenerierungGenau das macht Inpainting für Iteration so angenehm.Man kann an einem bereits guten Bild weiterarbeiten, ohne ständig die gesamte Komposition zu verlieren.Inpainting kann schrittweise zu einem völlig neuen Bild führenWenn immer größere Bereiche nacheinander verändert werden:Original
↓
Hintergrund
↓
Kleidung
↓
Möbel
↓
Licht
kann am Ende nur noch wenig vom ursprünglichen Bild übrig sein.Technisch ist das möglich.Man sollte sich aber bewusst sein, dass der Bezug zum Original zunehmend geringer wird.Wann wäre Image-to-Image dann einfacher?Wenn ohnehin:80 Prozent des gesamten Bildesverändert werden sollen, kann eine Gesamttransformation über Image-to-Image effizienter sein.Inpainting ist besonders stark, wenn bestimmte Bildbestandteile geschützt werden sollen.Ein praktischer EntscheidungsbaumKein Ausgangsbild vorhanden?
↓
Text-to-Image
Gesamtes Ausgangsbild soll neu interpretiert werden?
↓
Image-to-Image
Nur bestimmte Region ändern?
↓
Inpainting
Bildfläche nach außen erweitern?
↓
Outpainting
Diese Einteilung löst bereits viele praktische Entscheidungen.Inpainting-Prompts sollten nicht unnötig lang seinDie KI sieht bereits:Bild,Umgebung,Position.Du musst nicht das gesamte Bild erneut beschreiben.Statt:In einem Wohnzimmer mit Sofa, Fenster, Teppich, Tisch und grauer Wand soll auf dem Tisch …
kann reichen:Kleine matte schwarze Tischlampe mit warmem Licht, natürlich auf der vorhandenen Tischplatte stehend.
Die unmaskierte Umgebung liefert den restlichen Kontext.Das ist ein wichtiger Unterschied zu Text-to-ImageBei Text-to-Image muss die Szene stärker beschrieben werden.Bei Inpainting existiert bereits ein visuelles Fundament.Dadurch kann der Prompt viel stärker auf die lokale Änderung konzentriert werden.Erhaltungshinweise können trotzdem sinnvoll seinZum Beispiel:gleiche Lichtstimmung und Perspektive.
Oder:passend zur vorhandenen Holzstruktur.
Sie helfen, die neu generierte Region an ihre Umgebung anzupassen.Farbanschlüsse sind besonders wichtigEine neu erzeugte Wandfläche kann:minimal andere Farbeals die angrenzende Originalwand besitzen.Dann entsteht ein sichtbarer Fleck.Eine größere oder weichere Übergangsmaske kann helfen.Auch ein Prompt wie:identische Wandfarbe und Oberflächenstruktur wie die Umgebung
kann sinnvoll sein.Texturen müssen kontinuierlich wirkenHolzboden.Fliesen.Tapete.Mauerwerk.Alle besitzen fortlaufende Muster.Wenn die KI einen mittleren Bereich ergänzt:Linien müssen anschließen.Das ist anspruchsvoller als eine gleichmäßige weiße Wand.Strukturierte Oberflächen profitieren von genügend KontextWenn der umliegende Holzboden sichtbar ist, kann das Modell:Farbe,Maserung,Richtungbesser fortsetzen.Eine Maske, die den gesamten Boden verdeckt, nimmt diese Referenz.Wiederkehrende geometrische Muster sind besonders schwierigFliesenraster.Ziegelmauer.Zaun.Regal.Fensterfassade.Die KI kann:Abstände verzerren,Linien unterbrechen,zusätzliche Elemente erzeugen.Hier lohnt eine genaue visuelle Prüfung.Inpainting kann mehrmals auf dieselbe Region angewandt werdenErster Versuch:Lampe gut.Schatten falsch.Nun muss nicht die gesamte Lampe neu erzeugt werden.Man kann beispielsweise nur:Schattenbereichmaskieren.Prompt:Natürlicher weicher Schatten der vorhandenen Lampe entsprechend dem Licht von links.
So wird die Bearbeitung immer feiner.Das ist vergleichbar mit klassischem RetuschierenMan arbeitet:grobund anschließend:fein.Generative KI ersetzt nicht zwingend diesen iterativen Prozess.Sie macht einzelne Schritte nur wesentlich leistungsfähiger.Ein guter Arbeitsablauf beginnt mit der größten semantischen ÄnderungZum Beispiel:Stuhl ersetzen.Kontaktbereich reparieren.Schatten korrigieren.kleine Artefakte entfernen.
Bild
↓
Objektlokalisierung
↓
Maske
↓
Inpainting
Ob eine solche automatische Veränderung sinnvoll und zulässig ist, hängt natürlich vom jeweiligen Bildbestand und Nutzungszweck ab.Produktfreistellung ist ein besseres MassenbeispielProduktbild
↓
Segmentierungsmodell
↓
Produktmaske
↓
Hintergrund invertieren
↓
generativer neuer Hintergrund
Das lässt sich hervorragend automatisieren.Artikelillustrationen können ebenfalls automatisch korrigiert werdenEin Vision-Modell erkennt:unerwünschte Schrift im KI-Bild.Dann:Schriftbereich lokalisieren
↓
Maske erzeugen
↓
Inpainting:
"ruhiger Hintergrund ohne Schrift"
Das könnte bestimmte typische Generationsfehler automatisch beseitigen.Automatisches Inpainting braucht hohe SicherheitsgrenzenEin Erkennungsmodell maskiert versehentlich:das Hauptmotiv.Dann könnte die KI es vollständig verändern.Darum sollte ein Workflow beispielsweise prüfen:Wie groß ist die Maske?
Überlappt sie das Hauptmotiv?
Ist die erkannte Objektklasse plausibel?
Maskengröße lässt sich technisch begrenzenBeispiel:Maske > 30 % des Bildes
↓
kein automatisches Inpainting
↓
manuelle Prüfung
Die konkrete Grenze hängt vom Workflow ab.Das Prinzip ist wichtiger:Große Eingriffe verdienen stärkere Kontrolle.Ein strukturierter Inpainting-AuftragZum Beispiel:{
"asset_id": 4711,
"operation": "remove_object",
"mask_id": 8172,
"replacement": "continuous wooden floor",
"preserve": [
"people",
"furniture",
"lighting"
]
}
Damit kann ein Workflow den Auftrag eindeutig behandeln.Preserve bleibt konzeptionell wichtigWie schon bei Image-to-Image:CHANGE
→ maskierter Bereich
PRESERVE
→ restliches wichtiges Bild
Das lässt sich später auch für automatische Bildprüfung verwenden.Nachher-VergleichOriginal
+
Inpainting-Ergebnis
↓
Vision-Prüfung
Frage:Sind geschützte Hauptbestandteile unverändert geblieben?Das ist keine absolute Garantie.Aber eine zusätzliche Qualitätsschicht.Pixelvergleich funktioniert außerhalb der Maske teilweise deterministischWenn die verwendete Pipeline verspricht, unmaskierte Bereiche technisch unangetastet zu übernehmen, kann Software prüfen:außerhalb Maske
↓
Pixel identisch?
Das ist wesentlich zuverlässiger als ein Vision-Modell.Ob dies möglich ist, hängt vom konkreten Tool beziehungsweise Workflow ab.Generative Nachbearbeitung des Gesamtbildes kann diesen Vorteil wieder aufhebenWenn nach dem Inpainting noch:globale Farbkorrektur,Upscaling,Image-to-Imagestattfindet, verändern sich eventuell auch Pixel außerhalb der ursprünglichen Maske.Darum sollten Qualitätsregeln an die jeweilige Pipeline angepasst werden.Ein typischer automatisierter WorkflowBild auswählen
↓
Objekt erkennen
↓
Maske erzeugen
↓
Maske prüfen
↓
Inpainting
↓
technische Prüfung
↓
semantische Prüfung
↓
Freigabe
↓
Webversion erzeugen
Damit wird Inpainting zu einem normalen Verarbeitungsschritt.n8n kann die Orchestrierung übernehmenZum Beispiel:WordPress-Bild hochgeladen
↓
Webhook
↓
n8n
↓
Vision-Prüfung
↓
Problem erkannt?
├── nein → weiter
└── ja → Inpainting-Job
Danach:Job fertig
↓
Review
↓
WordPress
Damit fügt sich Inpainting direkt in unsere bisherigen Workflows ein.Lange Bildjobs sollten asynchron laufenWie beim lokalen Bildserver:n8n
↓
POST /image-jobs
↓
job_id
Bildworker:Queue
↓
GPU
↓
Inpainting
nach Abschluss:Webhook
↓
n8n
Das verhindert unnötig lange offene Verbindungen.Inpainting ist lokal besonders interessantEin Ausgangsbild kann sensible Informationen enthalten.Zum Beispiel:Firmenräume,private Fotos,unveröffentlichte Produkte.Bei lokaler Verarbeitung:Bild
↓
eigener Server
↓
lokales Modell
muss es für die eigentliche Generierung nicht zwingend an einen externen Anbieter geschickt werden.Dafür gelten wieder die Anforderungen lokaler KIEin lokaler Inpainting-Server braucht:geeignete KI-Hardware,ausreichend VRAM,sichere Dateispeicherung,Zugriffsschutz,Monitoring.Wie unter lokaler KI-Server beschrieben, sollte ein interner Bilddienst nicht unnötig frei im Internet erreichbar sein.Auflösung beeinflusst den RessourcenbedarfEin kleiner Maskenbereich bedeutet nicht automatisch einen winzigen Rechenjob.Das gesamte Bild beziehungsweise große interne Repräsentationen können weiterhin verarbeitet werden.Ein hochauflösendes Bild kann daher wesentlich mehr:VRAM,Rechenzeitbenötigen.Es kann sinnvoll sein, zunächst in Arbeitsauflösung zu bearbeitenBeispiel:großes Original
↓
Arbeitskopie
↓
Inpainting
↓
finale hochwertige Verarbeitung
Ob das geeignet ist, hängt davon ab, wie wichtig feine Details sind.Bei kleinen Gesichtsdetails ist hohe Auflösung wichtigerEine Hand oder ein Auge besitzt vielleicht nur:50 × 50 Pixelim Gesamtbild.Das ist für eine zuverlässige Rekonstruktion wenig Information.Ein Workflow kann daher zuerst einen Ausschnitt vergrößern beziehungsweise gezielt bearbeiten und anschließend wieder integrieren.Crop-InpaintingKonzeptionell:Gesamtbild
↓
Region um Problem ausschneiden
↓
größer bearbeiten
↓
Inpainting
↓
zurück ins Gesamtbild
Damit erhält das Modell mehr effektive Auflösung für den relevanten Bereich.Kontext darf beim Crop nicht vollständig verloren gehenWenn nur:Augeausgeschnitten wird, fehlen:Gesicht,Kopfhaltung,Licht.Besser:genügend umliegenden Kontext mitnehmen.Wieder gilt:Detailauflösung
↔
Umgebungskontext
müssen sinnvoll balanciert werden.Inpainting kann auch für Freistellungsfehler genutzt werdenEin automatisch freigestelltes Produkt besitzt einen unsauberen Rand.Die KI kann diesen Bereich eventuell reparieren.Für exakt definierte Produktkonturen kann klassische Maskenbearbeitung aber zuverlässiger sein.Nicht jedes Randproblem braucht Generative AI.Generative KI und klassische Retusche ergänzen sichEin professioneller Workflow könnte lauten:Objekt generativ entfernen
↓
klassische Farbkorrektur
↓
kleinen Maskenrand manuell säubern
Oder umgekehrt:Objekt klassisch freistellen
↓
KI erzeugt Hintergrund
↓
manuelle Endkontrolle
Das beste Ergebnis entsteht häufig aus der Kombination.Inpainting sollte nicht alles lösen müssenWenn die Aufgabe lautet:Mache das Logo exakt 10 Prozent größer.
Klassische Bildbearbeitung.Wenn:Ersetze diese langweilige Hintergrundwand durch eine atmosphärische Bibliothek.
Inpainting.Die Trennung lautet erneut:exakte geometrische Änderung
→ klassische Software
plausible kreative Ergänzung
→ generative KI
Inpainting kann Realität unauffällig verändernGerade weil der Großteil des Originals erhalten bleibt, können Veränderungen besonders glaubwürdig wirken.Eine Person bleibt identisch.Nur ein Gegenstand wird ergänzt.Dadurch kann ein Betrachter leicht glauben:Der Gegenstand war tatsächlich vorhanden.Das unterscheidet Inpainting kommunikativ von einer offensichtlich künstlichen Illustration.Veröffentlichungskontext ist deshalb entscheidendEin dekoratives Werbemotiv:andere Anforderungen.Eine journalistische Aufnahme:andere.Ein Beweisfoto:nochmals andere.Technisch ist die Methode dieselbe.Die Bedeutung des bearbeiteten Bildes nicht.Generative Reparatur und dokumentarische Reparatur sind nicht gleichBeispiel:Staubpunkt eines Scans entfernen.Sehr kleine technische Korrektur.Beispiel:fehlende Personengruppe rekonstruieren.Massiver generativer Eingriff.Beide könnten technisch unter „Inpainting“ fallen.Redaktionell sind sie grundverschieden.Bei Personen muss außerdem die Aussage des Bildes berücksichtigt werdenEin reales Foto wird so bearbeitet, dass eine Person:anderen Gegenstand hält,andere Kleidung trägt,in anderer Umgebung erscheint.Damit kann eine neue Aussage über diese Person entstehen.Je realistischer das Bild, desto relevanter wird diese Frage.Eigenes Bildmaterial vereinfacht nicht automatisch jede RechtsfrageAuch bei selbst aufgenommenen Fotos können:abgebildete Personen,Marken,Kunstwerke,private Räumerelevant sein.Der technische Besitz der Datei und die zulässige Veröffentlichung sind unterschiedliche Themen.Inpainting entfernt keine Rechte am AusgangsbildEin fremdes Foto wird stark verändert.Dadurch verschwindet nicht automatisch jede rechtliche Beziehung zum Ausgangsmaterial.Für konkrete Veröffentlichungen müssen Nutzungsrechte separat beurteilt werden.Aus technischer Sicht sollte die Herkunft dokumentiert werdenAsset-Metadaten könnten beispielsweise enthalten:source
rights_status
ai_modified
operation
Damit lässt sich später nachvollziehen, wie ein Bild entstanden ist.Die Bearbeitungskette sollte nachvollziehbar bleibenBeispielsweise:Originalfoto
↓
Hintergrund entfernt
↓
Inpainting
↓
Outpainting
↓
Weboptimierung
↓
veröffentlichtes Asset
Das ist wesentlich besser als:eine finale Datei ohne Herkunft.Was du dir über Inpainting merken solltestInpainting bedeutet, dass ein KI-Modell nur einen gezielt ausgewählten Bereich eines vorhandenen Bildes generativ verändert.Die zentrale Komponente ist die Maske.Bild
+
Maske
+
Prompt
↓
Inpainting
↓
bearbeitetes Bild
Die Maske definiert:Hier darf die KI generieren.
Der übrige Bildbereich liefert den visuellen Kontext und soll möglichst erhalten bleiben.Damit unterscheidet sich Inpainting klar von Image-to-Image:Image-to-Image
→ Gesamtbild transformieren
Inpainting
→ bestimmte Region transformieren
Typische Anwendungen sind:Objekt entfernen
Objekt ersetzen
Objekt hinzufügen
Bildfehler korrigieren
Hintergrund verändern
Gesichter oder Hände reparieren
störende Bildbestandteile beseitigen
Bei der Maske gilt:zu klein
→ zu wenig Raum für Übergänge
zu groß
→ unnötig viel Bild wird neu erzeugt
Oft sollte neben dem eigentlichen Objekt auch etwas Umgebung berücksichtigt werden, insbesondere:Schatten
Reflexionen
Kontaktflächen
Übergänge
Denn ein Gegenstand beeinflusst häufig mehr Bildbereiche als nur seine sichtbare Kontur.Bei einem zu ersetzenden Objekt muss außerdem der Platz für das neue Objekt berücksichtigt werden.alte Vase
↓
große Pflanze
benötigt eine größere Maske als nur die bisherige Vase.Weiche Maskenkanten beziehungsweise Feathering können Übergänge zwischen Original und Generierung verbessern.Besonders bei:Haut
Himmel
Wänden
organischen Texturen
weichen Schatten
kann dies hilfreich sein.Bei klar geometrisch abgegrenzten Objekten können dagegen präzisere Masken sinnvoll sein.Für Objektentfernung ist es häufig besser, nicht nur zu schreiben:Entferne den Stuhl.
Sondern das gewünschte Ergebnis zu beschreiben:Freier Holzboden mit derselben Maserung und Beleuchtung wie die Umgebung.
Damit bekommt das Modell ein positives visuelles Ziel.Inpainting ist besonders wertvoll, wenn ein Bild bereits weitgehend gelungen ist.Statt:95 % gutes Bild
↓
komplett neu generieren
kann man:5 % problematischen Bereich
↓
gezielt reparieren
Für komplexe Bilder sind mehrere kleine Bearbeitungsschritte häufig robuster als eine einzige riesige Maske.grobes Problem
↓
Inpainting
↓
Übergang korrigieren
↓
Schatten korrigieren
↓
Detailfehler reparieren
Eng verwandt ist Outpainting.Dabei wird nicht innerhalb des Bildes verändert, sondern außerhalb der bisherigen Bildgrenzen neuer Inhalt erzeugt.Inpainting
→ innen ergänzen
Outpainting
→ außen erweitern
Das ist besonders praktisch, wenn ein vorhandenes Bild beispielsweise von:1:1
auf:16:9
für einen Websiteheader erweitert werden soll.Für automatisierte Workflows können Masken auch durch Segmentierungsmodelle erzeugt werden.Bild
↓
Objekt erkennen
↓
Maske
↓
Inpainting
Damit lassen sich beispielsweise Produktbilder automatisiert freistellen und anschließend neue Hintergründe generieren.Eine mögliche Pipeline lautet:Asset
↓
Segmentierung
↓
Maske prüfen
↓
Inpainting
↓
technische Prüfung
↓
semantische Prüfung
↓
menschliche Freigabe
↓
Weboptimierung
n8n kann diese Schritte orchestrieren.Bei lokalem Betrieb kann ein Inpainting-Service beispielsweise so eingebunden werden:n8n
↓
Image API
↓
Queue
↓
lokaler Bildworker
↓
GPU
↓
fertiges Asset
Damit gelten erneut die Grundlagen aus:lokale KI,KI-Hardware,VRAMund:lokaler KI-Server.Trotz seiner Präzision bleibt Inpainting generativ.Wenn die KI einen verdeckten Bildbereich ergänzt, rekonstruiert sie nicht automatisch die tatsächliche frühere Realität.Sie erzeugt eine plausible Version.Das ist bei kreativen Bildern häufig genau erwünscht.Bei dokumentarischen Bildern kann es jedoch entscheidend sein.Die wichtigste praktische Regel lautet deshalb:Je genauer ein Bildbestandteil unverändert bleiben muss, desto weniger Generationsfreiheit sollte die KI darüber erhalten.Daraus ergibt sich eine sehr klare Werkzeugaufteilung:neues Bild
→ Text-to-Image
Gesamtbild neu interpretieren
→ Image-to-Image
lokalen Bereich ändern
→ Inpainting
Bildfläche erweitern
→ Outpainting
exakte Schrift, Logo oder Geometrie
→ klassische Bildbearbeitung
Damit haben wir die drei wichtigsten generativen Bildmechanismen aufgebaut.Der nächste Schritt ist nun nicht mehr die Frage:Wo darf die KI generieren?
Sondern:Wie können wir ihr dauerhaft zeigen, wie unsere Bilder aussehen sollen oder welche Person, welches Objekt oder welche Bildsprache erhalten bleiben soll?
Genau dafür werden Referenzbilder interessant