Drei Eingriffe, die aus einer KI vom Slot-Maschinen-Modus ein echtes Kreativwerkzeug machen.
Konzepte 10 min Fortgeschritten 25. Mai 2026
Dein Basismodell kann beeindruckende Bilder erzeugen — aber es gibt dir nur begrenzte Kontrolle. Der Stil stimmt nicht ganz? LoRA löst das. Die Hände sehen falsch aus? Inpainting löst das. Der Bildausschnitt ist zu eng? Outpainting löst das.
Diese drei Techniken sind der Unterschied zwischen "schauen wir mal, was rauskommt" und gezielter kreativer Arbeit. Am Ende dieses Artikels verstehst du, wie jede Technik funktioniert, wann du sie einsetzt und wo ihre Grenzen liegen.
LoRA — Stile und Konzepte hinzufügen
LoRA — Low-Rank Adaptation
AnalogieDefinition
Stell dir ein Basismodell als vielseitigen Maler vor, der in vielen Stilen malen kann. Ein LoRA ist wie ein Stilblatt auf dem Schreibtisch des Malers — es lenkt ihn in Richtung eines bestimmten Stils (z.B. Studio-Ghibli-Anime), ohne ihn von Grund auf neu auszubilden. Du kannst mehrere Stilblätter auslegen (LoRAs kombinieren) und steuerst, wie streng der Maler jedem folgt (Stärkeregler). Aber ein Stilblatt für einen Ölmaler (SD 1.5) ergibt keinen Sinn für einen Aquarellmaler (SDXL) — das Blatt ist spezifisch für den Malertyp.
Analogie:
Stell dir ein Basismodell als vielseitigen Maler vor, der in vielen Stilen malen kann. Ein LoRA ist wie ein Stilblatt auf dem Schreibtisch des Malers — es lenkt ihn in Richtung eines bestimmten Stils (z.B. Studio-Ghibli-Anime), ohne ihn von Grund auf neu auszubilden. Du kannst mehrere Stilblätter auslegen (LoRAs kombinieren) und steuerst, wie streng der Maler jedem folgt (Stärkeregler). Aber ein Stilblatt für einen Ölmaler (SD 1.5) ergibt keinen Sinn für einen Aquarellmaler (SDXL) — das Blatt ist spezifisch für den Malertyp.
Definition:
LoRA (Low-Rank Adaptation) ist eine Methode von Hu et al. (2021), die ein vortrainiertes Modell auf einen bestimmten Stil, ein Gesicht oder ein Konzept spezialisiert, ohne das gesamte Modell neu zu trainieren. Eine LoRA-Datei ist klein (10-200 MB) im Vergleich zu einem vollständigen Checkpoint (2-7 GB), weil sie nur eine begrenzte Teilmenge der neuronalen Gewichte über eine Niedrigrang-Matrixzerlegung anpasst. Mehrere LoRAs lassen sich kombinieren, und ein Stärkeregler (0.0-1.0) steuert die Dominanz des Effekts.
Die Stilblatt-Analogie hat Grenzen: Ein echter Maler interpretiert Stilvorlagen subjektiv. LoRA wendet mathematische Gewichtsmodifikationen mechanisch an — es gibt keine Interpretation, nur Berechnung.
10-200 MB
LoRA-Dateigröße Zum Vergleich: Ein vollständiger Checkpoint ist 2-7 GB groß.
LoRA
Kleine Add-on-Datei (10-200 MB). Modulares System — mehrere LoRAs kombinierbar. Spezialisiert auf einen bestimmten Stil oder ein Konzept. Stärkeregler von 0.0 bis 1.0.
Checkpoint
Vollständiges Modell (2-7 GB). Monolithisch — ein Checkpoint pro Generation. Breites Fundament mit vielen Stilen. Kein stufenloser Stärkeregler.
Die LoRA-Stärke bestimmt, wie dominant der Effekt im Bild ausfällt. Hier ein Beispiel mit einem Studio-Ghibli-LoRA und dem Prompt "ein Wald mit Fluss":
1
Stärke 0.0 — Kein Effekt, reines Basismodell
2
Stärke 0.3 — Subtiler Ghibli-Touch in Farben und Linienführung
3
Stärke 0.7 — Starker Ghibli-Stil, etwas Realismus bleibt
4
Stärke 1.0 — Voller Ghibli-Anime-Stil
Derselbe Prompt, dasselbe Modell — dramatisch unterschiedliche Ergebnisse, gesteuert allein durch den LoRA-Stärkeregler.
Häufiger Irrtum: LoRA-Kompatibilität
"LoRAs funktionieren mit jedem Modell" — das ist falsch. LoRAs sind modellarchitektur-spezifisch trainiert. Ein SD-1.5-LoRA funktioniert nicht mit einem SDXL-Modell. Vor dem Download immer prüfen, für welche Modellarchitektur das LoRA trainiert wurde.
LoRA repräsentiert ein breiteres Prinzip des effizienten Finetunings: Statt Milliarden von Parametern neu zu trainieren, werden gezielt kleine Gewichtsuntermengen modifiziert. Dieses Prinzip gilt über Bildgenerierung hinaus — auch bei großen Sprachmodellen (LLMs) ist LoRA eine der wichtigsten Finetuning-Methoden.
Deep Dive: LoRA-Training
Eigene LoRAs zu trainieren ist zugänglicher als man denkt: Mit nur 10-50 gut gewählten Beispielbildern kann man einem Modell einen bestimmten Zeichenstil oder ein spezifisches Objekt beibringen. Der Rank-Parameter (typischerweise 4-128) bestimmt die Kapazität: Niedrige Werte für einfache Stile, hohe Werte für komplexe Konzepte.
Die wichtigsten Plattformen für fertige LoRAs sind Civitai (die größte Community) und Hugging Face. Beide bieten tausende kostenlose LoRAs zum Download — von Kunststilen über Charaktere bis hin zu spezifischen Objekten.
Interaktiv: Warum LoRA so effizient ist
LoRA trainiert nur einen Bruchteil der Parameter. Aber wie dramatisch ist der Unterschied? Bewege den Slider und beobachte: Bei einem Frozen-Modell gibt es null trainierbare Parameter (grün). LoRA wächst linear mit der Modelldimension (blau). Full Fine-Tuning wächst quadratisch (rot). Ab einer Modelldimension von d=1000 wird der Unterschied enorm — genau deshalb ist LoRA bei modernen Modellen mit Millionen von Parametern so wichtig.
1010000
Frozen (0 params)1
LoRA (2·d·r)100
Full Fine-Tuning (d²)10.000
Moderater Input
Bei n=100 wird der Unterschied sichtbar: O(n²) braucht 10.000 Operationen, während O(n) nur 100 braucht. O(log n) braucht nur 6.6 — das ist 15x weniger als O(n).
Verhältnis zu O(n)
Komplexität
Operationen
Faktor vs. O(n)
Frozen (0 params)
1
100x schneller
LoRA (2·d·r)
100
1x (Referenz)
Full Fine-Tuning (d²)
10.000
100x langsamer
Inpainting — Teile eines Bildes gezielt neu generieren
Inpainting ist wie ein Restaurator, der an einem beschädigten Gemälde arbeitet. Der Restaurator deckt die beschädigte Stelle mit Abklebeband ab (die Maske), studiert die umgebende unbeschädigte Farbe für Farbton, Textur und Lichtrichtung, und malt dann neuen Inhalt nur in den abgeklebten Bereich — so nahtlos, dass niemand erkennen kann, wo das Original endet und die Restauration beginnt. Ein leichter Pinselstrich (niedriges Denoising) macht dezente Korrekturen; ein kräftiger Auftrag (hohes Denoising) malt etwas völlig Neues.
Analogie:
Inpainting ist wie ein Restaurator, der an einem beschädigten Gemälde arbeitet. Der Restaurator deckt die beschädigte Stelle mit Abklebeband ab (die Maske), studiert die umgebende unbeschädigte Farbe für Farbton, Textur und Lichtrichtung, und malt dann neuen Inhalt nur in den abgeklebten Bereich — so nahtlos, dass niemand erkennen kann, wo das Original endet und die Restauration beginnt. Ein leichter Pinselstrich (niedriges Denoising) macht dezente Korrekturen; ein kräftiger Auftrag (hohes Denoising) malt etwas völlig Neues.
Definition:
Inpainting ist der Prozess der selektiven Neugenerierung eines bestimmten maskierten Bereichs in einem bestehenden Bild, während der Rest unverändert bleibt. Du malst eine Maske über den zu ändernden Bereich, schreibst einen neuen Prompt nur für diesen Bereich, und das Modell generiert neuen Inhalt, der sich nahtlos in die umgebenden Pixel einfügt — passend zu Beleuchtung, Perspektive und Stil. Die Denoising Strength (0.0-1.0) steuert, wie stark das Modell vom Original abweicht.
Die Restaurator-Analogie hat Grenzen: Ein echter Restaurator versucht, das Original wiederherzustellen. Inpainting generiert etwas Neues auf Basis deines Prompts — es stellt nicht wieder her, was vorher da war, sondern erschafft, was du verlangst.
1
Bild generieren
2
Fehler identifizieren
3
Maske über den Bereich malen
4
Neuen Prompt für den Bereich eingeben
5
Nur den maskierten Bereich neu generieren
Typischer Workflow: Du generierst ein Porträt — das Gesicht ist perfekt, aber eine Hand hat sechs Finger. Du malst eine Maske über die deformierte Hand, setzt den Prompt auf "realistische menschliche Hand, fünf Finger, detailliert" und die Denoising Strength auf 0.6. Das Modell erzeugt anatomisch korrekte Finger, die zu Hautton, Beleuchtung und Pose des restlichen Bildes passen.
Fehler korrigieren Verzerrte Hände, falsche Augenanzahl oder Anatomiefehler reparieren
Objekte tauschen Einen Hund durch eine Katze ersetzen oder ein Element austauschen
Hintergrund ändern Den gesamten Hintergrund durch eine neue Szene ersetzen
Details hinzufügen Eine leere Wand mit einem Gemälde versehen oder Objekte ergänzen
Häufiger Irrtum: Inpainting kann alles reparieren
Inpainting repariert Details, nicht fundamentale Kompositionsprobleme. Bei einer grundlegend schlechten Komposition, völlig falscher Perspektive oder einer unpassenden Pose hilft Inpainting nicht weiter — in solchen Fällen ist es besser, das gesamte Bild komplett neu zu generieren.
Spezialisierte Inpainting-Modelle (z.B. SD 1.5 Inpainting, SDXL Inpainting) sind gezielt darauf trainiert, Maskengrenzen zu verstehen und nahtlose Übergänge zu erzeugen. Ein weiteres Beispiel dafür, wie gezieltes Training spezialisierte Werkzeuge hervorbringt.
Deep Dive: Denoising Strength
Die Denoising Strength ist der wichtigste Parameter beim Inpainting. Sie steuert auf einer Skala von 0.0 bis 1.0, wie stark das Modell den maskierten Bereich verändert. Bei 0.0 bleibt alles beim Original — bei 1.0 generiert das Modell den Bereich komplett neu ohne Rücksicht auf das Originalbild.
Für dezente Korrekturen (z.B. Farbanpassungen) eignen sich niedrige Werte um 0.3. Für das Reparieren von Händen oder Gesichtern liegt der optimale Bereich bei 0.5-0.7 — genug Freiheit für neue Strukturen, aber noch genügend Kontext vom Original. Bei 0.8+ ignoriert das Modell das Original weitgehend und generiert quasi frei.
Outpainting — Über die Bildgrenzen hinaus
Outpainting — Das Bild erweitern
AnalogieDefinition
Outpainting ist wie das Abrollen einer Leinwand um ein fertiges Gemälde herum. Der Maler studiert die vorhandene Komposition — wo die Horizontlinie verläuft, wie das Licht fällt, welche Farben dominieren — und malt dann nach außen weiter, sodass die Erweiterung aussieht, als wäre sie immer Teil des Originals gewesen.
Analogie:
Outpainting ist wie das Abrollen einer Leinwand um ein fertiges Gemälde herum. Der Maler studiert die vorhandene Komposition — wo die Horizontlinie verläuft, wie das Licht fällt, welche Farben dominieren — und malt dann nach außen weiter, sodass die Erweiterung aussieht, als wäre sie immer Teil des Originals gewesen.
Definition:
Outpainting erweitert ein Bild über seine ursprünglichen Grenzen hinaus, indem neuer Inhalt im leeren Leinwandbereich generiert wird. Technisch ist es Inpainting auf leerer Fläche: Das Modell behandelt den leeren Bereich als "maskierte Region" und nutzt das bestehende Bild als Kontext. Du wählst eine Richtung (links, rechts, oben, unten) und die Erweiterungsgröße. Das Modell muss Perspektive, Beleuchtungskonsistenz und Stilkohärenz über die Grenze hinweg wahren.
Die Leinwand-Analogie hat Grenzen: Ein menschlicher Maler versteht die 3D-Szene perfekt. Das KI-Modell hat nur den Pixelkontext und kann zunehmend inkonsistente Ergebnisse liefern, je weiter es sich vom Original entfernt — Stil und Beleuchtung können "driften".
Inpainting
Maskiert bestehenden Inhalt, um ihn zu ersetzen oder zu korrigieren. Arbeitet innerhalb der Bildgrenzen. Ideal für Reparaturen und Änderungen am vorhandenen Bild.
Outpainting
Maskiert leere Fläche, um das Bild zu erweitern. Arbeitet über die Bildgrenzen hinaus. Ideal für Formatänderungen und Bilderweiterungen.
Konkretes Beispiel: Du hast ein 512x512-Porträt mit Kopf und Schultern generiert. Durch Outpainting nach unten um 256 Pixel erzeugt das Modell Oberkörper und Beine im passenden Stil. Noch einmal 256 Pixel nach unten: Ein vollständiges Ganzkörperbild (512x1024) entsteht. Alternativ: Eine 512x512-Landschaft nach links und rechts erweitern für ein 1024x512-Panorama als Website-Header.
Vorsicht: Stildrift bei großen Erweiterungen
Bei sehr großen Erweiterungen kann der ursprüngliche Kunststil und die Beleuchtung über die Distanz merklich driften. Die neuen Ränder passen dann optisch nicht mehr zum Kern des Bildes. Empfehlung: Lieber mehrere kleine Erweiterungsschritte als eine große — so behält das Modell besseren Kontext.
Outpainting zeigt eindrucksvoll, wie dieselbe Grundtechnologie (maskenbasierte Generierung) völlig unterschiedlichen kreativen Zwecken dient, wenn man sie anders anwendet. Inpainting und Outpainting sind technisch dasselbe Verfahren mit unterschiedlichem Einsatzgebiet.
Die wichtigsten Erkenntnisse
Ein LoRA ist eine kleine Add-on-Datei (10-200 MB), die ein Basismodell in Richtung eines bestimmten Stils oder Konzepts lenkt — aber es funktioniert nur mit der Modellarchitektur, für die es trainiert wurde (SD-1.5-LoRA funktioniert nicht mit SDXL).
Inpainting generiert einen maskierten Bereich eines bestehenden Bildes neu und lässt alles andere unberührt — ideal für Hände reparieren, Objekte tauschen oder Hintergründe ändern. Die Denoising Strength steuert die Balance zwischen Erhalt und Veränderung.
Outpainting erweitert ein Bild über seine Grenzen hinaus, indem leere Leinwand als maskierter Bereich behandelt wird — technisch identisch mit Inpainting, aber auf neuen Raum angewandt. Große Erweiterungen können zu Stildrift führen.
Quiz: Kontrolle & Finetuning
Frage 1 / 4
Noch offen
Du lädst ein LoRA herunter, das auf Stable Diffusion 1.5 trainiert wurde, und versuchst es mit einem SDXL-Modell zu verwenden. Was passiert?
1. Du lädst ein LoRA herunter, das auf Stable Diffusion 1.5 trainiert wurde, und versuchst es mit einem SDXL-Modell zu verwenden. Was passiert?
☐ A) Es funktioniert, aber mit reduzierter Qualität.
☐ B) Es funktioniert perfekt — LoRAs sind universell einsetzbar.
☐ C) Es funktioniert nicht — LoRAs sind modellarchitektur-spezifisch.
☐ D) Es funktioniert nur, wenn du die LoRA-Stärke auf 1.0 setzt.
2. Ein generiertes Porträt hat ein perfektes Gesicht, aber deformierte Hände. Du willst NUR die Hände reparieren. Welche Technik und Einstellungen verwendest du?
☐ A) Outpainting mit den Händen am Bildrand.
☐ B) Inpainting: Maske über die Hände, Prompt "realistische Hände", Denoising ca. 0.6.
☐ C) Das gesamte Bild mit einem besseren Prompt neu generieren.
☐ D) Ein Hand-Reparatur-LoRA mit Stärke 1.0 anwenden.
3. Du willst ein 512x512-Porträt in ein 1024x512-Panorama verwandeln, indem du links und rechts Landschaft ergänzt. Welche Technik ist richtig?
☐ A) Inpainting der linken und rechten Kanten.
☐ B) Outpainting: Leinwand nach links und rechts erweitern, das Modell füllt passende Landschaft ein.
☐ C) Ein neues 1024x512-Bild mit demselben Prompt generieren.
☐ D) Ein LoRA verwenden, das auf Panoramabilder trainiert ist.
4. Outpainting wird technisch als Variante des Inpainting beschrieben. Warum ist diese Einordnung zutreffend, und was ist der Hauptunterschied in der Anwendung?
☐ A) Beide nutzen Masken — Inpainting maskiert bestehenden Inhalt zum Ersetzen, Outpainting maskiert leere Fläche zum Erweitern.
☐ B) Beide verwenden LoRAs — Inpainting nutzt kleine LoRAs, Outpainting nutzt große.
☐ C) Beide ändern den Prompt — Inpainting ändert Teile, Outpainting ändert den ganzen Prompt.
☐ D) Es sind völlig unterschiedliche Technologien, die nur denselben Namen teilen.
Auflösung: 1) C · 2) B · 3) B · 4) A
Verständnischeck
Erkläre, warum ein LoRA wesentlich speichereffizienter ist als ein vollständiger Checkpoint — und worauf du bei der Kombination mit verschiedenen Modellen achten musst.
Beschreibe den Unterschied zwischen Inpainting und Outpainting: Wann setzt du welche Technik ein?
Warum solltest du bei einem Bild mit grundlegend schlechter Komposition auf Inpainting verzichten?