Bildgenerierung (KI)

Definition

KI-Bildgenerierung ist die Disziplin, Computer-Modelle so zu trainieren, dass sie neue Bilder erzeugen, die nicht in den Trainingsdaten vorkommen, aber deren statistischer Verteilung folgen. Typische Eingaben sind Text-Prompts (Text-to-Image), Skizzen (Sketch-to-Image), Referenzbilder (Image-to-Image), Klassenlabels oder kombinierte Modalitäten. Die Ausgaben reichen von photorealistischen Fotografien über Konzeptkunst und Illustrationen bis zu stilisierten Asset-Bibliotheken in Auflösungen von 512 mal 512 Pixel bis 4K und höher.

Das Feld hat zwischen 2014 und 2026 drei Hauptphasen durchlaufen: GAN-Ära (2014 bis 2021, dominiert von StyleGAN), Diffusion-Ära (ab 2022 mit DALL-E 2, Stable Diffusion, Midjourney), und Multimodal-Ära (ab 2024 mit nativen Multimodal-Modellen wie GPT-4o Image und Gemini Image). 2026 sind generative Bildmodelle für Konsumentinnen alltäglich, in Produktionsworkflows etabliert und juristisch umkämpft.

Mechanismus und Architektur

Moderne Bildgenerierungsmodelle folgen einer von drei Architekturfamilien:

• Latent Diffusion (Stable Diffusion, SDXL, Flux): Operiert nicht im Pixel-Raum, sondern in einem komprimierten Latent-Space eines VAE. Spart erheblich Compute und ermöglicht hohe Auflösungen.
• Pixel-Space Diffusion (Imagen, DALL-E 2): Operiert direkt im Pixel-Raum mit Cascading von niedriger zu hoher Auflösung.
• Autoregressive Image Models (Parti, Muse): Erzeugen Bilder Token für Token wie ein Sprachmodell. Hochwertig, aber langsam.

Bei Text-zu-Bild-Modellen besteht die Pipeline aus:

• Text Encoder: CLIP, T5 oder ein Sprachmodell-Encoder, der den Prompt in einen Embedding-Vektor umwandelt.
• U-Net oder DiT (Diffusion Transformer): Das eigentliche Denoising-Netz. Bekommt das verrauschte Latent, den Text-Embedding-Vektor und einen Timestep, gibt das vorhergesagte Rauschen zurück.
• Scheduler: DDPM, DDIM, Euler, DPM-Solver. Bestimmt den Zeitplan der Entrauschungsschritte.
• VAE Decoder: Mappt das endgültige Latent zurück in den Pixel-Raum.

Steuerungsmechanismen 2026:

• LoRA: Low-Rank Adaptation für stil- oder charakterspezifisches Finetuning ohne vollständiges Retraining.
• ControlNet: Zusätzliche Conditions wie Pose, Depth, Canny-Edges oder Scribbles.
• IP-Adapter: Stiltransfer von Referenzbildern.
• Inpainting und Outpainting: Bestimmte Bildregionen ergänzen oder Bilder über Originalränder hinaus erweitern.
• Classifier-Free Guidance: Verstärkt den Einfluss des Prompts durch Differenz zur unbedingten Generierung.

Praxis und Anwendung

Produktiv im Einsatz:

• Werbung und Marketing: Generative Assets ersetzen Stock-Fotos für Kampagnen, oft mit Brand-Style-LoRAs.
• Game-Konzeptkunst: Texturen, Charaktere, Umgebungen als erste Iterationen für Concept Artists.
• Filmproduktion: Storyboarding, Mood Boards, Pre-Visualization, VFX-Vorbereitung.
• Produktdesign: Schnelle Prototyp-Visualisierung in Industrie, Mode und Innenarchitektur.
• E-Commerce: Produktbilder, virtuelle Models, Variantenvisualisierung (Farben, Materialien).
• Social Media: Content-Erstellung, Avatar-Personalisierung, Story-Assets.
• Wissenschaft: Visualisierung wissenschaftlicher Konzepte, Hypothesen-Illustration.
• Personalisierte Apps: Avatar-Generierung, persönliche Stickers, AR-Filter.

Wichtige Tools sind ComfyUI (Node-basierte Pipeline für Stable Diffusion), Automatic1111 WebUI, Forge, InvokeAI, sowie kommerzielle Plattformen Midjourney, Ideogram, Leonardo.ai, Krea und Recraft. APIs liefern Stability, Black Forest Labs (Flux), OpenAI und Google.

Häufige Fehler

• Schlechte Prompts: Vage oder unstrukturierte Prompts führen zu generischen Resultaten. Strukturieren in Subjekt, Stil, Setting, Beleuchtung, Komposition.
• Negative Prompts ignorieren: Negative Prompts (z. B. blurry, low quality, deformed) verbessern Qualität spürbar.
• Aspect Ratio falsch wählen: Manche Konzepte funktionieren nur in bestimmten Seitenverhältnissen.
• Konsistenz fordern, ohne Mittel: Konsistente Charaktere über mehrere Bilder erfordern LoRAs, IP-Adapter oder Embedding-Tricks, nicht reines Prompting.
• Anatomie und Text ignorieren: Hände, Zähne und Text sind klassische Schwachstellen. Inpainting nutzen oder spezialisierte Modelle wählen.
• Lizenzfragen ignorieren: Generierte Bilder mit erkennbaren Markenelementen oder Personenrechten ohne Prüfung in Werbung einsetzen ist riskant.
• Watermarks vergessen: Provenance-Tracking via C2PA wird ab 2026 in der EU zunehmend Pflicht.

Abgrenzung

• Image Editing: Modifiziert bestehende Bilder lokal. Bildgenerierung erzeugt vollständig neue Bilder, kann aber via Inpainting auch Editing umfassen.
• Computer Graphics: Klassisches Rendering aus 3D-Modellen. Deterministisch, exakt steuerbar, aber teuer in Setup.
• Photo Manipulation: Manuelle oder semi-automatische Tools (Photoshop). KI-Generierung ist vollautomatisch und kann Original-freie Bilder erzeugen.
• Style Transfer: Wendet einen Stil auf ein Inhaltsbild an. Ist Spezialfall, der heute meist über IP-Adapter im Diffusion-Stack gelöst wird.
• Video Generation: Erweitert Bildgenerierung um die Zeitachse. 2026 dominiert von Sora, Veo, Runway, Kling und Pika.