Generative Bildmodelle (Diffusion)
Wie ein Algorithmus lernte, aus Schneerieseln Hunde zu generieren — mit der Geduld eines Mönchs.
Im vorherigen Artikel hast du gelernt, wie Sprachmodelle ihr nächstes Wort auswählen. Jetzt wenden wir das gleiche generative Prinzip auf Bilder an: Starte mit Zufallsrauschen, wende gelernte Struktur an — und ein Bild entsteht.
Dieser Artikel enthüllt die überraschend einfache Idee hinter Stable Diffusion, Midjourney und dem inzwischen eingestellten DALL-E 2: Bringe einem Modell bei, Rauschen zu erkennen — und lasse den Prozess dann rückwärts laufen. Nicht jeder Bildgenerator arbeitet so: Die Bildgenerierung, die OpenAI 2025 in ChatGPT eingeführt hat, ist laut OpenAI ein autoregressives Modell, das das Bild Stück für Stück aufbaut, ähnlich wie ein Sprachmodell seinen Text.
Midjourney V5: Fotorealistische KI-Kunst
Fotorealistische KI-Bildgenerierung erreicht neue Qualitätsstufe und verändert die kreative Industrie erheblich. Am 15. März 2023 veröffentlichte Midjourney Version 5 und erreichte einen Qualitätssprung, den Nutzer als „gruselig“ und „zu perfekt“ beschrieben. Die Alpha-Version konnte erstmals fotorealistische Bilder erzeugen, die von echten Fotografien kaum zu unterscheiden waren. Besonders bemerkenswert: Das chronische Problem fehlerhafter Hände wurde erheblich verbessert – V5 konnte in den meisten Fällen korrekt fünf Finger darstellen. Julie Wieland, Grafikdesignerin, verglich das Erlebnis mit „endlich eine Brille zu bekommen nach zu langem Ignorieren schlechter Sicht“ – plötzlich sehe man alles in 4K-Qualität [Quelle: Ars Technica, März 2023]. Die verbesserte Prompt-Sensitivität ermöglichte präzisere kreative Kontrolle, während automatisches Upscaling die 1024x1024-Pixel-Basisbilder ohne GPU-Zusatzkosten hochskalierte. V5 löste intensive Debatten über die Zukunft menschlicher Kreativität aus.
Lernen durch Zerstörung — Der Forward-Prozess
Definition
Forward-Prozess
Analogie
Definition
Wenn der Roboter das kann, kann er die Körner auch rückwärts wieder entfernen. Wichtig: Der Roboter lernt Sandkorn-Muster, nicht das Gemälde selbst — das Modell speichert in aller Regel keine Trainingsbilder.
Stell dir ein 64x64-Foto einer Katze vor. Schritt 0: gestochen scharfes Foto. Schritt 250: deutlich verrauscht, die Form noch gut erkennbar. Schritt 500: die Form nur noch schwach zu ahnen. Schritt 750: praktisch nur noch Rauschen. Schritt 1.000: reines zufälliges Rauschen, ununterscheidbar von jedem anderen Rauschbild.
DDPM: Diffusion-Modelle etabliert
Die mathematische Grundlage der modernen Bildgenerierung durch Denoising-Prozesse. Im Juni 2020 veröffentlichten Jonathan Ho, Ajay Jain und Pieter Abbeel das einflussreiche Paper 'Denoising Diffusion Probabilistic Models' – eine Klasse latenter Variablenmodelle inspiriert von der Nichtgleichgewichts-Thermodynamik. Ihre Innovation lag in einer gewichteten Variationsbegrenzung und der Verbindung zwischen Diffusionsmodellen und Denoising Score Matching mit Langevin-Dynamik. Die Ergebnisse waren beeindruckend: FID-Score von 3,17 auf CIFAR-10 und Inception-Score von 9,46. DDPMs etablierten einen progressiven verlustbehafteten Dekompressionsansatz, der als Verallgemeinerung autoregressiver Dekodierung interpretiert werden kann. Diese Arbeit legte das mathematische Fundament für Stable Diffusion und die gesamte moderne Text-zu-Bild-Generation.
Rauschschritte
~1.000
Rauschen wird in ~1.000 kleinen Schritten hinzugefügt
Achtung
Häufiger Irrtum: Das Modell speichert die Trainingsbilder
Das Modell lernt die statistische Struktur der Rauschentfernung, nicht bestimmte Bilder. Allerdings: Bei genug Training auf begrenzten Daten können Fragmente von Trainingsbildern reproduziert werden — weshalb die Copyright-Frage real und ungelöst ist.
Warum wird das Rauschen in tausend winzigen Schritten hinzugefügt und nicht auf einmal? Weil jeder kleine Schritt eine lernbare Vorhersageaufgabe erzeugt. Ein einziger massiver Rauschschub ließe dem Modell eine kaum lösbare Aufgabe: das ganze Bild auf einmal aus reinem Rauschen zurückzuholen. Der Noise Schedule (auch Variance Schedule) bestimmt, wie viel Rauschen bei jedem Schritt hinzukommt — zu wenig und das Modell lernt triviale Vorhersagen, zu viel und die Struktur geht zu früh verloren.
Schöpfung aus dem Chaos — Der Reverse-Prozess
Definition
Reverse-Prozess
Analogie
Definition
Unter dem Sand liegt kein Gemälde — das Modell erschafft Struktur aus gelernter Statistik, nicht aus versteckten Daten. Verschiedene Sandhaufen (Seeds) ergeben verschiedene Gemälde.
Stable Diffusion: Start mit zufälligem Rauschen im Latent Space, 50 Entrauschungsschritte. Schritt 1: reines Chaos. Schritt 10: vage Formen und Farbflecken. Schritt 25: erkennbares Objekt (Katzenumriss sichtbar). Schritt 50: scharfes, detailliertes Endbild.
Entrauschungsschritte
~50
In der Praxis genügen ~50 Schritte für die Bildgenerierung
Achtung
Häufiger Irrtum: Mehr Schritte = immer bessere Bilder
Es gibt abnehmende Erträge. Über ~50 Schritte hinaus stagniert die Qualität, während die Rechenkosten linear weiter steigen. Moderne Scheduler wie DDIM und DPM++ erzielen gute Ergebnisse in nur 20 Schritten. Speziell nachtrainierte (destillierte) Modelle kommen sogar mit 1 bis 4 Schritten aus.
Praktisch gemacht — Latent Diffusion und Text-Conditioning
Definition
Latent Diffusion
Analogie
Definition
Das Tonmodell erfasst das Wesentliche, ohne jedes Detail des Originals zu kennen — genau wie der Latent Space die wichtigsten Bildmerkmale komprimiert. Der Kundenauftrag leitet, diktiert aber nicht — deshalb können ungewöhnliche Prompts überraschende Ergebnisse liefern.
~786.000 Werte (512x512x3). Entrauschen direkt auf Pixeln. Erfordert Rechenzentrum-GPUs mit enormem Speicher. So arbeiteten frühe Diffusionsmodelle wie DDPM (2020), damals bei höchstens 256x256 Pixeln.
~16.000 Werte (64x64x4). Entrauschen auf komprimierter Darstellung. Läuft auf Consumer-GPUs. Stable Diffusion (Rombach et al., 2022).
Kompressionsfaktor
~50 x
~50x weniger Daten durch Latent-Space-Kompression
Achtung
Häufiger Irrtum: Das Modell versteht meinen Prompt
Das Modell folgt statistischen Assoziationen zwischen Text-Embeddings und Bildmerkmalen, die es im Training gelernt hat. Es hat kein Konzept von "Hund" oder "Mond" — nur gelernte Korrelationen. Deshalb erzeugen ungewöhnliche Prompts manchmal überraschende oder inkohärente Ergebnisse.
Die vollständige Pipeline
Stable Diffusion Pipeline
- 1. Reales BildTraining
- 2. Rauschen hinzufügenT Schritte
- 3. Reines Rauschen
- 4. Rauschen vorhersagen und entfernenT Schritte
- 5. Generiertes Bild
Der Forward-Prozess (Training) und der Reverse-Prozess (Generierung) sind Spiegelbilder: Was im Training zerstört wird, wird bei der Generierung rekonstruiert.
Stable Diffusion: Bildgenerierung mit offenen Gewichten
Die Demokratisierung der KI-Bildgenerierung durch ein leistungsstarkes Modell mit frei herunterladbaren Gewichten. Am 22. August 2022 veröffentlichte Stability AI Stable Diffusion und veränderte den Zugang zu fortgeschrittener Text-zu-Bild-Technologie erheblich. Als frei herunterladbares Modell (Open Weights unter der Lizenz CreativeML OpenRAIL-M, die bestimmte Nutzungen verbietet) konnte Stable Diffusion fotorealistische 512x512-Pixel-Bilder auf Consumer-GPUs generieren – ein wichtiger Fortschritt für Geschwindigkeit und Zugänglichkeit. Basierend auf Latent Diffusion Models (LDMs) iteriert das System durch 'De-noising' in latenten Räumen statt direkter Pixelmanipulation. Mit 860 Millionen Parametern im U-Net und 123 Millionen im Text-Encoder blieb es trotz hoher Leistung relativ leichtgewichtig. Der GitHub-verfügbare Quellcode ermöglichte einer explosionsartig wachsenden Community die Entwicklung unzähliger Varianten und Tools. Stable Diffusion durchbrach das Monopol proprietärer Systeme und machte hochwertige KI-Bildgenerierung für jeden zugänglich.
Interaktiv: Wie das Modell Entrauschen lernt
Beim Training sieht das Modell ein Bild, dem bis Schritt t Rauschen beigemischt wurde, und soll genau dieses Rauschen vorhersagen. Die Box zeigt das an einem Katzenkopf aus 16 × 16 Pixeln: links das verblassende Bild, in der Mitte das Rauschen, rechts die Mischung, die das Modell zu sehen bekommt. Die Knöpfe springen durch die Schritte aus dem Beispiel oben, der Regler durch alle 1.000.
Achtung
Grenzen und Copyright
- Abnehmende Erträge: Über ~50 Entrauschungsschritte hinaus verbessert sich die Bildqualität kaum noch, während die Rechenzeit linear steigt.
- Memorierung: In seltenen Fällen reproduzieren Diffusionsmodelle erkennbare Fragmente von Trainingsbildern — besonders wenn bestimmte Bilder überproportional häufig im Training vorkommen.
- Copyright: Die Frage, ob KI-generierte Bilder die Urheberrechte der Trainingsdaten verletzen, ist rechtlich ungelöst und Gegenstand aktiver Debatten. Erste Urteile gibt es, endgültig ist keines davon: In London unterlag Getty Images im November 2025 mit seiner Klage gegen Stability AI weitgehend, darf aber in Berufung gehen. Im selben Monat wertete das Landgericht München I Liedtexte, die das Sprachmodell hinter ChatGPT auswendig gelernt hatte, als Vervielfältigung; der Fall liegt inzwischen beim Oberlandesgericht München.
Merke
Zusammenfassung
- Der Forward-Prozess lehrt das Modell, wie Rauschen in jedem Zerstörungsschritt aussieht — das ist das Trainingssignal.
- Der Reverse-Prozess erzeugt Bilder, indem er vorhergesagtes Rauschen Schritt für Schritt aus zufälligem Rauschen subtrahiert.
- Latent Diffusion komprimiert Bilder vor dem Entrauschen um den Faktor ~50x und ermöglicht so Bildgenerierung auf Consumer-GPUs.
- Text-Conditioning über CLIP und Cross-Attention steuert, was aus dem Rauschen entsteht — aber das Modell "versteht" den Prompt nicht im menschlichen Sinne.
Dieser Artikel schließt Pfad I.G (Moderne Architekturen) ab. Von RNNs über Attention, Transformer, Fine-Tuning und Sampling bist du bei der sichtbarsten Anwendung generativer KI angekommen: der Bildgenerierung. Bereit für den nächsten Lernpfad, Reinforcement Learning?
Prüfen
Quiz: Generative Bildmodelle (Diffusion)
Was ist das Trainingsziel eines Diffusionsmodells im Forward-Prozess?
Wähle eine Antwort
1. Was ist das Trainingsziel eines Diffusionsmodells im Forward-Prozess?
2. Ein Diffusionsmodell mit Seed 42 erzeugt ein Bild einer Katze. Du änderst nur den Seed auf 99 und behältst alles andere bei. Was passiert?
3. Pixel-Diffusion verarbeitet ein 512x512x3-Bild (~786.000 Werte). Latent Diffusion komprimiert auf 64x64x4 (~16.000 Werte). Um welchen Faktor werden die Daten ungefähr reduziert?
4. Ein Nutzer gibt den Prompt "ein rotes Auto am Strand" ein, aber das generierte Bild zeigt ein blaues Auto auf einer Wiese. Welcher Teil der Pipeline hat am wahrscheinlichsten versagt?
5. Nach 50 Entrauschungsschritten sieht das Bild scharf aus. Ein Nutzer lässt stattdessen 200 Schritte laufen. Was ist das wahrscheinlichste Ergebnis?
6. Warum gilt Latent Diffusion als Durchbruch gegenüber früheren Pixel-Diffusionsmodellen?
Prüfen
Verständnischeck
Kannst du das in eigenen Worten erklären? Hake ab, was sitzt.
0 von 3 sitzen