Zurück zum Lernbereich

Generative Bildmodelle (Diffusion)

Wie ein Algorithmus lernte, aus Schneerieseln Hunde zu generieren — mit der Geduld eines Mönchs.

  • Architekturen
  • 10 min
  • Fortgeschritten

Einfache Sprache

Diese Vorschau ist in Einfacher Sprache. Das ganze Portal gibt es auch in Einfacher Sprache. Du kannst oben die Sprache wechseln. Oder nutze den Knopf unten. Unsere Texte in Einfacher Sprache entstehen KI-gestützt und werden redaktionell begleitet. Sie orientieren sich an den Grundprinzipien der Leichten Sprache, sind aber keine geprüfte Leichte Sprache: Eine Prüfgruppe von Menschen mit Lernschwierigkeiten prüft sie nicht.

Vorschau: Bilder aus Rauschen erzeugen

Was ist ein Diffusionsmodell?

Ein Diffusionsmodell ist ein KI-Programm. Es erzeugt Bilder. Du gibst Text ein. Das Programm erzeugt daraus ein passendes Bild. Bekannte Programme sind DALL-E und Stable Diffusion.

Wie Bilder entstehen

Das Modell lernt aus vielen Bildern. Beim Training fügt man Rauschen hinzu. Rauschen bedeutet: zufällige Punkte ohne Sinn. Das Modell lernt: Wie sah das Bild vorher aus? Zum Schluss kann es Rauschen entfernen. So entsteht ein Bild aus Rauschen.

Stable Diffusion auf dem PC

Frühe Bildmodelle brauchten Rechenzentren. Stable Diffusion ist ein freies Programm. Es läuft auf einem normalen Heim-PC. Es nutzt einen Latent Space. Latent Space bedeutet: Das Programm verkleinert das Bild zuerst. Das spart Rechenleistung.

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.

Lernen durch Zerstörung — Der Forward-Prozess

Definition

Forward-Prozess

Analogie

Stell dir ein Gemälde auf einem Tisch vor. Du wirfst eine dünne Schicht Sand darauf, dann noch eine, dann noch eine — tausend Mal. Am Ende ist das Gemälde unter Sand unsichtbar. Ein Diffusionsmodell zu trainieren bedeutet, einem Roboter beizubringen, bei jeder einzelnen Schicht zu erkennen, welche Sandkörner gerade hinzugefügt wurden.

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.

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

Der trainierte Roboter arbeitet jetzt auf einem frischen, zufälligen Sandhaufen (kein Gemälde darunter). Mit seinem Wissen über Kornmuster bürstet er Schicht für Schicht ab. Weil seine Expertise die Struktur "echter Gemälde" kodiert, formt sich der Sand natürlich zu einem gemäldeähnlichen Muster.

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

Statt eine lebensgroße Marmorstatue direkt zu meißeln (Pixel-Raum), formst du zuerst ein kleines Tonmodell (Latent Space). Das Modell erfasst alle wesentlichen Proportionen und Details im Miniaturformat. Erst wenn es fertig ist, skaliert eine Maschine es auf Originalgröße hoch (VAE-Decoder). Dabei sagt ein Kundenauftrag (Textprompt via CLIP) dem Bildhauer bei jedem Schritt, was er formen soll.

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.

Pixel-Raum

~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.

Latent Space

~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

Textprompt eingeben
CLIP kodiert den Text in Embedding-Vektoren (einen je Token)
Zufälliges Rauschen im Latent Space (64x64x4) erzeugen
U-Net entrauscht in ~50 Schritten (Cross-Attention mit Text-Embedding)
VAE-Decoder wandelt das Latent-Bild in ein 512x512 Pixelbild um
  1. 1. Reales BildTraining
  2. 2. Rauschen hinzufügenT Schritte
  3. 3. Reines Rauschen
  4. 4. Rauschen vorhersagen und entfernenT Schritte
  5. 5. Generiertes Bild

Der Forward-Prozess (Training) und der Reverse-Prozess (Generierung) sind Spiegelbilder: Was im Training zerstört wird, wird bei der Generierung rekonstruiert.

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

  1. Der Forward-Prozess lehrt das Modell, wie Rauschen in jedem Zerstörungsschritt aussieht — das ist das Trainingssignal.
  2. Der Reverse-Prozess erzeugt Bilder, indem er vorhergesagtes Rauschen Schritt für Schritt aus zufälligem Rauschen subtrahiert.
  3. Latent Diffusion komprimiert Bilder vor dem Entrauschen um den Faktor ~50x und ermöglicht so Bildgenerierung auf Consumer-GPUs.
  4. 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)

Noch offen

Was ist das Trainingsziel eines Diffusionsmodells im Forward-Prozess?

Wähle eine Antwort

Auflösung: 1) B · 2) B · 3) C · 4) C · 5) B · 6) C

Prüfen

Verständnischeck

Kannst du das in eigenen Worten erklären? Hake ab, was sitzt.

0 von 3 sitzen