Wie man genau das Bild bekommt, das man im Kopf hat — statt etwas Hübsches, aber Anderes.
Konzepte 10 min Fortgeschritten 25. Mai 2026
In den vorherigen Artikeln hast du gelernt, Bilder zu generieren, Stable Diffusion zu nutzen und mit LoRA feinzutunen. Aber du hast wahrscheinlich gemerkt: Manchmal stimmt die Pose nicht, die Auflösung ist zu niedrig, oder du bekommst die gewünschte Komposition einfach nicht hin.
Dieser Artikel gibt dir das professionelle Werkzeugset: ControlNet für präzise räumliche Kontrolle, KI-Upscaling für druckfertige Auflösung und den 7-Schritte-Workflow, der zufällige Ergebnisse in gezielte Kreationen verwandelt.
ControlNet — Komposition steuern
ControlNet
AnalogieDefinition
Ein Text-Prompt ist wie die Anweisung an einen Architekten: "Baue mir ein modernes Haus." ControlNet fügt den Grundriss hinzu — jetzt weiß der Architekt nicht nur WAS er bauen soll, sondern WO jedes Zimmer hinkommt.
Analogie:
Ein Text-Prompt ist wie die Anweisung an einen Architekten: "Baue mir ein modernes Haus." ControlNet fügt den Grundriss hinzu — jetzt weiß der Architekt nicht nur WAS er bauen soll, sondern WO jedes Zimmer hinkommt.
Definition:
ControlNet fügt der Bildgenerierung einen zweiten Eingabekanal hinzu: Neben dem Text-Prompt liefert ein Kontrollbild strukturelle Vorgaben (Pose, Kanten, Tiefe oder Skizze). Die KI erzeugt ein Bild, das sowohl zur Textbeschreibung als auch zur räumlichen Struktur passt.
Die Kernerkenntnis: Der Text-Prompt kontrolliert WAS auf dem Bild zu sehen ist. ControlNet kontrolliert WO es sich befindet.
OpenPose Erkennt Körperhaltungen und extrahiert ein Skelett aus Fotos.
Canny Edge Erkennt Objektkanten und Umrisse für strukturelle Kontrolle.
Depth Erfasst räumliche Tiefe für dreidimensionale Komposition.
Scribble Nutzt handgezeichnete Skizzen als Kompositionsvorlage.
Beispiel: OpenPose-Workflow. (1) Fotografiere dich selbst mit verschränkten Armen. (2) Lass den OpenPose-Präprozessor ein Skelett extrahieren.
(3) Kombiniere das Skelett mit dem Prompt "ein mittelalterlicher Ritter in voller Rüstung, Burghintergrund." (4) Ergebnis: Ein Ritter in DEINER exakten Pose. Die Pose bleibt erhalten, alles andere ist neu.
Präprozessoren extrahieren Kontrollbilder automatisch aus Fotos. Du brauchst kein technisches Wissen — lade ein Referenzfoto hoch, wähle den Modus, und das Ergebnis erscheint sofort.
Irrtum: ControlNet ist zu kompliziert für Anfänger
Die Grundmodi (OpenPose, Canny) erfordern kein technisches Wissen. Du lädst ein Referenzfoto hoch, der Präprozessor macht die Extraktion automatisch, und das Ergebnis ist sofort sichtbar. Fortgeschrittene Konfiguration ist optional.
Deep Dive: Wie ControlNet unter der Haube funktioniert
ControlNet verwendet eine Dual-Encoder-Architektur: Der Text-Encoder verarbeitet den Prompt, ein separater Kontroll-Encoder verarbeitet das Kontrollbild. Beide Signale fließen in den Diffusionsprozess ein. Die Stärke des Kontrollsignals lässt sich über ein Gewicht regeln — bei niedrigem Gewicht interpretiert die KI die Struktur freier, bei hohem Gewicht folgt sie präziser.
Upscaling — Von klein zu druckfertig
Warum nicht einfach direkt in hoher Auflösung generieren? Weil es zu schweren Artefakten führt: doppelte Köpfe, verschmolzene Gliedmaßen, verzerrte Körper. Die Lösung: Klein generieren, groß skalieren.
Einfaches Resize
Pixel werden gestreckt | Unscharfes Ergebnis | Keine neuen Details | Sofort
KI-Upscaling
Neue Details werden erzeugt | Scharfes Ergebnis | Plausible Texturen | Sekunden
Einfaches Resize ist wie das Heranzoomen an ein Zeitungsfoto — du siehst größere Punkte, aber keine neuen Informationen. KI-Upscaling ist wie ein forensischer Zeichner, der ein unscharfes Überwachungsbild nimmt und realistische Hauttextur, Stoffmuster und Haarsträhnen einzeichnet.
E
ESRGAN
Schnell und deterministisch. Ideal für Fotos und Anime. Fügt keine kreativen Details hinzu, verarbeitet das Bild aber in Sekunden. 4x-Vergrößerung in ~2 Sekunden.
S
SD Upscale
Verrauscht das Bild leicht und entrauscht es erneut. Fügt echte neue Details hinzu (Hauttextur, Stoffmuster). Langsamer, aber kreativer. Ideal für Druckprodukte.
T
Tiled Upscaling
Verarbeitet das Bild in Kacheln. Funktioniert auch mit nur 4 GB VRAM. Ideal für große Bilder auf schwacher Hardware.
Das Grundprinzip: Generiere in der nativen Basisauflösung deines Modells (bei SD 1.5 sind das 512×512, bei SDXL 1024×1024), dann skaliere hoch. Nie umgekehrt.
Konkretes Beispiel: (1) Portrait bei 512×512 generieren. (2) ESRGAN 4× anwenden → 2048×2048 in 2 Sekunden, sofortige Druckqualität. Alternative: (1) Generiere bei 512×512. (2) SD Upscale 2× mit Denoising 0,3 → 1024×1024 mit neuen Details. (3) ESRGAN 2× → 2048×2048 final.
Irrtum: Upscaling ist genauso gut wie direkte Hochauflösung
Native Hochauflösung hat mehr echte Details. Aber direkte Hochauflösung verursacht schwere Kompositionsartefakte. Upscaling ist der praktische Kompromiss: gute Komposition bei niedriger Auflösung, dann gute Details durch Skalierung.
Deep Dive: ESRGAN vs. SD Upscale — Wann was nutzen?
ESRGAN ist deterministisch: Gleiches Eingabebild ergibt immer gleiches Ergebnis. Es fügt keine kreativen Details hinzu, sondern schärft und glättet intelligent. Ideal für schnelle Ergebnisse und konsistente Qualität. SD Upscale verrauscht das Bild leicht und lässt es dann von der KI erneut entrauschen — dabei entstehen echte neue Details wie Hauttextur oder Stofffalten. Ideal für Druckprodukte, wo maximale Detailschärfe zählt. Nachteil: langsamer und kann das Bild leicht verändern.
Der professionelle Workflow — Alles zusammen
Professionelle Bildgenerierung folgt einer 7-Schritte-Pipeline. Es geht nicht um einen perfekten Prompt, sondern um iterative Verfeinerung:
1
Prompt formulieren
2
Batch generieren (4–8 Varianten bei 512×512)
3
Beste Komposition auswählen
4
ControlNet für strukturelle Verfeinerung
5
Inpainting für Detailkorrekturen (wie im vorherigen Artikel gelernt)
6
Upscaling auf Zielauflösung
7
Nachbearbeitung (Photoshop/GIMP)
Warum Batch-Generierung? Weil du in 30 Sekunden 8 Varianten bei 512×512 erzeugst. Die Chance, eine gute Komposition zu finden, steigt dramatisch. Dann verfeinerst du nur die beste Variante weiter.
Tools wie ComfyUI ermöglichen diesen Workflow als visuelle, knotenbasierte Pipeline — jeder Schritt ist ein Baustein, den du verbinden, speichern und wiederverwenden kannst.
Beispiel: Buchcover-Workflow. (1) Prompt: "Fantasy-Landschaft, antiker Turm, dramatischer Himmel." (2) 8 Varianten bei 512×512 in 30 Sekunden generieren. (3) Beste Komposition auswählen, Seed merken.
(4) ControlNet Depth anwenden für räumliche Anordnung. (5) Titelbereich per Inpainting freihalten. (6) ESRGAN 4× auf 2048×2048. (7) Export als 300 DPI CMYK für den Druck.
Irrtum: KI ersetzt Grafikdesigner
KI ist ein Werkzeug FÜR Designer. Die kreative Vision, Kompositionsentscheidungen, Verfeinerungswahl und der finale Feinschliff bleiben menschliche Aufgaben. Der 7-Schritte-Workflow zeigt: KI generiert Rohmaterial, der Mensch formt es zum fertigen Produkt.
Interaktiv: Die 7-Schritte-Pipeline als Knoten-Diagramm
articleWorkflow.enrichment.intro.title
articleWorkflow.enrichment.intro.description
Schritt 0 von 7
Animation starten
Klicke auf "Abspielen", um die RAG-Pipeline Schritt für Schritt zu sehen.
articleWorkflow.enrichment.edu.title
articleWorkflow.enrichment.edu.description
Kernaussagen
ControlNet löst das "Was-kommt-wohin"-Problem: Text-Prompts kontrollieren den Inhalt, ControlNet kontrolliert die Komposition (Pose, Kanten, Tiefe, Skizze).
Immer in der nativen Basisauflösung des Modells generieren (z.B. 512×512 bei SD 1.5, 1024×1024 bei SDXL) und danach hochskalieren — direkte Hochauflösung verursacht schwere Artefakte.
Professionelle Bildgenerierung ist eine iterative 7-Schritte-Pipeline, kein einzelner Prompt. Viele generieren, das Beste auswählen, verfeinern, hochskalieren.
Mit diesem Workflow hast du das komplette Handwerkszeug für die generative Bildkunst. Du kennst jetzt den Weg vom ersten Prompt bis zum druckfertigen Ergebnis — die gleichen Prinzipien der iterativen Verfeinerung gelten auch für Videogenerierung und andere generative KI-Workflows.
Quiz: Workflow-Optimierung
Frage 1 / 5
Noch offen
Du möchtest ein Bild generieren, das die exakte Raumaufteilung eines Architekturfotos beibehält, aber den Stil in "futuristische Sci-Fi-Stadt" ändert. Welchen ControlNet-Modus verwendest du?
1. Du möchtest ein Bild generieren, das die exakte Raumaufteilung eines Architekturfotos beibehält, aber den Stil in "futuristische Sci-Fi-Stadt" ändert. Welchen ControlNet-Modus verwendest du?
☐ A) OpenPose — erkennt Körperhaltungen
☐ B) Depth — erfasst die räumliche Tiefe und Anordnung der Szene
☐ C) Scribble — nutzt Handskizzen als Vorlage
☐ D) Canny Edge — erkennt nur Objektkanten
2. Warum generieren Profis Bilder bei 512×512 und skalieren danach hoch, statt direkt bei 2048×2048 zu generieren?
☐ A) Weil 512×512-Bilder schneller auf Webseiten laden
☐ B) Weil 2048×2048-Bilder nicht als PNG gespeichert werden können
☐ C) Weil direkte Hochauflösung Kompositionsartefakte verursacht (doppelte Köpfe, verschmolzene Gliedmaßen), während niedrige Auflösung + Upscaling dies vermeidet
☐ D) Weil Upscaling für alle KI-generierten Bilder Pflicht ist
3. Du hast ein Foto einer sitzenden Person mit überkreuzten Beinen und möchtest eine Fantasy-Figur in exakt derselben Körperhaltung generieren. Welchen ControlNet-Modus und Workflow verwendest du?
☐ A) Canny Edge — Umrisse extrahieren, Prompt "Fantasy-Figur"
☐ B) OpenPose — Skelett aus dem Foto extrahieren, mit Prompt "Fantasy-Figur, sitzt mit überkreuzten Beinen" kombinieren
☐ C) Depth — Tiefenkarte extrahieren, Prompt "Fantasy-Figur"
☐ D) Scribble — Pose von Hand zeichnen, Prompt "Fantasy-Figur"
4. Du hast ein Portrait bei 512×512 generiert und willst es für ein fotorealistisches Buchcover bei 2048×2048 drucken. Du hast zwei Optionen: ESRGAN 4× (schnell, deterministisch) oder SD Upscale 2× + ESRGAN 2× (langsamer, fügt Details hinzu). Welche wählst du für das Buchcover?
☐ A) ESRGAN 4× — Geschwindigkeit ist immer wichtiger als Qualität
☐ B) ESRGAN 4× — weil SD Upscale immer schlechtere Ergebnisse liefert
☐ C) Keines — einfach direkt bei 2048×2048 generieren
☐ D) SD Upscale + ESRGAN — der SD-Upscale-Schritt fügt realistische Hauttextur und Stoffdetails hinzu, die reines ESRGAN nicht erzeugen kann
5. Ein Freund sagt: "Ich tippe einen Prompt, nehme das erste Ergebnis und vergrößere es in Paint. Das ist mein Workflow." Bewerte diesen Ansatz gegen die 7-Schritte-Pipeline. Was sind die zwei größten Probleme?
☐ A) Keine Batch-Generierung bedeutet, potenziell bessere Kompositionen zu verpassen, und einfaches Resize (statt KI-Upscaling) erzeugt unscharfe Vergrößerungen ohne neue Details
☐ B) Paint ist langsamer als Photoshop, und der Prompt sollte auf Englisch sein
☐ C) Der Prompt ist wahrscheinlich zu kurz, und der Freund sollte mehr Negative Prompts nutzen
☐ D) Das einzige Problem ist, dass Paint nicht im CMYK-Format speichern kann
Auflösung: 1) B · 2) C · 3) B · 4) D · 5) A
Checkpoint
Erkläre den Unterschied zwischen Text-Prompt und ControlNet: Was kontrolliert jeweils was? Nenne einen konkreten ControlNet-Modus und seinen Einsatzzweck.
Warum erzeugt direktes Generieren bei 2048×2048 oft Fehler — und wie löst der Umweg über 512×512 + Upscaling dieses Problem?
Im 7-Schritte-Workflow kommt Batch-Generierung vor ControlNet. Warum ist diese Reihenfolge sinnvoll?