Seite anzeigenÄltere VersionenLinks hierherNach oben Diese Seite ist nicht editierbar. Sie können den Quelltext sehen, jedoch nicht verändern. Kontaktieren Sie den Administrator, wenn Sie glauben, dass hier ein Fehler vorliegt. ====== Bild- und Videogeneratoren mit KI ====== Stell dir vor, du schreibst „ein futuristisches Zürich bei Nacht“, und eine KI erzeugt daraus in wenigen Sekunden ein realistisches Bild oder sogar ein Video. Genau das machen moderne Bild und Videogeneratoren. Diese Seite erklärt, wie solche Systeme funktionieren, von den Grundbegriffen über die technischen Hintergründe bis zu den wichtigsten gesellschaftlichen Fragen. <WRAP tip> Auf einen Blick: Bild- und Videogeneratoren sind KI-Programme, die aus einer Texteingabe neue Bilder oder Videos erzeugen. Das bekannteste Verfahren dahinter heisst Diffusionsmodell. </WRAP> ===== 1. Grundbegriffe ===== ==== Was ist generative KI? ==== <wrap 100px>{{ :ef:ki:screenshot_2026-04-22_084555.png}}</wrap> Normale KI-Programme erkennen Dinge wie zum Beispiel, ob auf einem Foto eine Katze zu sehen ist. Generative KI macht etwas anders. Sie erzeugt neue Inhalte, wie beispielsweise ein Bild, das es vorher noch nicht gab. Das Programm lernt dazu aus sehr vielen Beispielen. Welche Bilder, Texte oder Videos "typisch" aussehen und kann dann selbst neue erzeugen, die ähnlich wirken.((IBM: Was sind Diffusionsmodelle? https://www.ibm.com/de-de/think/topics/diffusion-models)) Bild- und Videogeneratoren sind eine Art generative KI. Man gibt ihnen eine Textbeschreibung (den Prompt) und sie erzeugen daraus ein passendes Bild oder Video.((Ultralytics: Diffusionsmodelle – Generative AI erklärt. https://www.ultralytics.com/de/blog/what-are-diffusion-models-a-quick-and-comprehensive-guide)) ^ Begriff ^ Erklärung ^ | Prompt | Die Texteingabe, mit der man beschreibt, was man sehen möchte | | Seed | Eine Zahl, die den Zufallsstart festlegt. Mit demselben Seed und Prompt bekommt man immer dasselbe Bild | | Latenter Raum | Eine stark vereinfachte, interne Darstellung des Bildes, mit der das Modell rechnet | | Training | Das Lernen des Modells aus sehr vielen Beispielbildern. Das passiert einmal, bevor man das Tool nutzt | | Inference | Die eigentliche Nutzung. Man gibt einen Prompt ein und das fertig trainierte Modell erzeugt das Bild | ==== Was macht einen guten Prompt aus? ==== Ein guter Prompt beschreibt möglichst genau: * Was im Bild zu sehen sein soll (Objekte, Personen, Ort) * Wie es aussehen soll (Stil, Licht, Stimmung, Kameraeinstellung) * Bei Videos: wie sich Dinge bewegen und wie die Kamera sich verhält <WRAP example> Schwacher Prompt: //Ein Hund// Besserer Prompt: //Ein Golden Retriever sitzt auf einer sonnigen Wiese, warmes Nachmittagslicht, fotorealistisch, geringe Schärfentiefe// </WRAP> ==== Trainingsdaten ==== Damit ein Modell Bilder erzeugen kann, braucht es sehr viele Beispiele. Beim Training sieht es Millionen von Bildern zusammen mit passenden Textbeschreibungen. So lernt das Modell, was Begriffe wie „Hund“ oder „Sonnenuntergang“ visuell bedeuten.((Digitalzentrum Franken: KI Bildgenerierung mit Stable Diffusion. https://digitalzentrum-franken.de/aktuelles/detail/ki-bildgenerierung-mit-stable-diffusion)) ===== 2. Technische Grundlagen ===== <WRAP info> Dieser Abschnitt erklärt die wichtigsten Ideen im Hintergrund. Es geht um ein grundlegendes Verständnis, nicht um Details. </WRAP> ==== Neuronale Netze ==== Ein neuronales Netz ist ein Computerprogramm, das grob vom menschlichen Gehirn inspiriert ist. Es besteht aus vielen kleinen Recheneinheiten, die miteinander verbunden sind. Beim Training werden diese Verbindungen so angepasst, dass das Netz sinnvolle Ergebnisse erzeugt, in diesem Fall neue Bilder.((IBM: Was sind Diffusionsmodelle? https://www.ibm.com/de-de/think/topics/diffusion-models)) ==== Transformer und Attention ==== Transformer sind eine spezielle Art von neuronalen Netzen. Sie sind besonders gut darin, Zusammenhänge zu erkennen. Zum Beispiel versteht das Modell, dass „sonnige Wiese“ bestimmte Farben, Lichtverhältnisse und Objekte bedeutet. Der Mechanismus dahinter heisst Attention. Das Modell lernt dabei, welche Teile der Eingabe besonders wichtig sind.((dogado KI Lexikon: Diffusionsmodelle. https://www.dogado.de/ki-lexikon/diffusionsmodelle)) ==== U-Net ==== Viele ältere Bildgeneratoren benutzen eine Struktur namens U-Net. Das Netz macht das Bild zunächst kleiner und vereinfachter (Encoder), und baut es danach wieder in voller Grösse auf (Decoder). Diese Struktur eignet sich, um Bilder schrittweise zu verbessern und Details hinzuzufügen.((IBM: Was sind Diffusionsmodelle? https://www.ibm.com/de-de/think/topics/diffusion-models)) ==== Variational Autoencoder (VAE) ==== Ein VAE besteht aus zwei Teilen: - Encoder: Ein Bild wird stark vereinfacht und in eine kompakte Form gebracht (latenter Raum). - Decoder: Aus dieser kompakten Form wird das Bild wieder aufgebaut. So muss das Modell nicht mit Millionen von Pixeln rechnen, sondern mit einer viel kleineren, komprimierten Darstellung. Das spart enorm viel Rechenleistung.((AWS: Was ist Stable Diffusion? https://aws.amazon.com/de/what-is/stable-diffusion/)) ==== Diffusionsmodelle ==== Diffusionsmodelle sind das Herzstück moderner Bildgeneratoren. Die Grundidee kommt aus der Physik. Wenn man einen Tintentropfen ins Wasser gibt, verteilt er sich langsam gleichmässig, das nennt man Diffusion. KI-Diffusionsmodelle machen das mit Bildern:((IBM: Was sind Diffusionsmodelle? https://www.ibm.com/de-de/think/topics/diffusion-models)) - Vorwärtsprozess: Ein echtes Bild wird schrittweise mit Rauschen überlagert, bis es nur noch zufällige Pixel zeigt. - Rückwärtsprozess: Das Modell lernt, diesen Prozess umzukehren – also aus Rauschen wieder ein sinnvolles Bild zu machen. - Anwendung: Man beginnt mit purem Rauschen und lässt das Modell es Schritt für Schritt "bereinigen", geleitet durch den Prompt. <WRAP tip> Merkhilfe: Man stellt sich vor, man beginnt mit einem völlig verrauschten Bild. Mit jedem Schritt wird es etwas klarer, bis nach 20–50 Schritten ein scharfes Bild entsteht, das zum Prompt passt. </WRAP> ==== Latent Diffusion Models (LDM) ==== Diffusion direkt auf einem Bild in voller Auflösung wäre viel zu langsam. Um das zu lösen, führt man die Diffusion nicht auf den Pixeln selbst durch, sondern im latenten Raum (also der komprimierten Darstellung des VAE). Das macht das Ganze bis zu 95 % schneller, ohne viel Qualität zu verlieren.((GuideGlare: Wie Diffusionsmodelle in der KI-Bilderzeugung funktionieren. https://www.guideglare.com/de/plattform/bild-suite/technologie/diffusionsmodelle-ki-bildgeneratoren)) Ausserdem wird der Textprompt über einen Mechanismus namens Cross-Attention in den Prozess eingebunden. So weiss das Modell, welches Bild es erzeugen soll. Das ist die Grundlage für Tools wie Stable Diffusion. ===== 3. Wichtige Modelltypen ===== ^ Modelltyp ^ Wie es funktioniert ^ Bedeutung heute ^ | GANs | Zwei Netze konkurrieren. Eines erzeugt Bilder, das andere versucht, echte von falschen zu unterscheiden | War lange führend, heute für Text-to-Image weitgehend durch Diffusion ersetzt | | VAE | Encoder komprimiert, Decoder baut das Bild wieder auf | Wichtiger Baustein in modernen LDMs | | DDPM | Iteratives Entrauschen | Basis aller modernen Diffusionsmodelle | | LDM | Diffusion im latenten Raum + Textsteuerung | Grundlage von Stable Diffusion & Co. | | DiT | Transformer statt U-Net im Diffusionsmodell | Skaliert sehr gut. Basis neuerer Modelle wie FLUX und Sora | ===== 4. Wie funktioniert ein Bildgenerator? ===== Hier ist der typische Ablauf, wenn man zum Beispiel Stable Diffusion benutzt: <WRAP box> - Textverstehen: Der Prompt wird in Zahlen umgewandelt - Rauschen erzeugen: Zufälliges Rauschen wird erzeugt - Schrittweises Entrauschen: Das Modell entfernt Schritt für Schritt das Rauschen - Guidance: Der Prompt steuert den Prozess - Dekodierung: Am Ende entsteht das Bild </WRAP> ==== Wichtige Parameter ==== ^ Parameter ^ Bedeutung ^ Effekt ^ | Seed | Startwert für den Zufallsgenerator | Gleicher Seed + gleicher Prompt = gleiches Bild | | Guidance Scale | Wie stark der Prompt das Bild beeinflusst | Zu hoch → Artefakte, zu niedrig → Bild passt nicht zum Prompt | | Steps | Anzahl der Entrauschungs-Schritte | Mehr Schritte = mehr Details, aber dauert länger | | Negativer Prompt | Was das Bild nicht zeigen soll | Hilft, unerwünschte Elemente zu vermeiden | ==== ControlNet ==== Mit ControlNet kann man einem Diffusionsmodell zusätzliche Hinweise geben, zum Beispiel ein Kantenbild, eine Körperhaltung oder eine Tiefenkarte. Das Modell übernimmt dann die Struktur dieser Vorlage, aber erzeugt den Stil aus dem Prompt. So bekommt man viel mehr Kontrolle über Komposition und Aufbau des Bildes.((theblue.ai: Diffusionsmodelle – Eindrucksvolle Bilder mit Generative KI erstellen. https://theblue.ai/blog-de/trends/diffusionsmodelle-generative-ki/)) ===== 5. Video-Generatoren ===== Video bedeutet "Bild + Zeit". Das macht die Aufgabe schwieriger, denn es reicht nicht, dass jedes einzelne Bild (Frame) gut aussieht. <WRAP important> Die einzelnen Bilder müssen zeitlich zusammenpassen. Figuren sollen nicht von Frame zu Frame ihr Gesicht verändern, und Bewegungen sollen flüssig wirken. Das nennt man zeitliche Konsistenz und gehört zu den grössten Herausforderungen, um solch ein Video zu generieren.((DOCMA: Das Ende der Diffusion? Wie die neuen KI-Bildgeneratoren funktionieren. https://www.docma.info/blog/das-ende-der-diffusion-wie-die-neuen-ki-bildgeneratoren-funktionieren)) </WRAP> ==== Ansätze ==== ^ Ansatz ^ Beschreibung ^ | Video Diffusion | Direkte Erweiterung der Bilddiffusion auf mehrere Frames gleichzeitig | | Kaskaden-Ansatz | Zuerst ein grobes Video, dann wird es mit weiteren Modellen verfeinert und schärfer gemacht (z.B. Imagen Video) | | Make-A-Video | Das Modell lernt, wie Dinge aussehen, aus Bild-Text-Paaren und wie sie sich bewegen, aus Videomaterial ohne Beschriftungen | | Latent Video Diffusion | Video-Diffusion im latenten Raum, mehrstufiges Training (z.B. Stable Video Diffusion) | | Spacetime Patches | Videos werden in kleine Bausteine (Patches) über Raum und Zeit zerlegt und mit einem Transformer verarbeitet – so funktioniert die KI Sora((DOCMA: Das Ende der Diffusion? Wie die neuen KI-Bildgeneratoren funktionieren. https://www.docma.info/blog/das-ende-der-diffusion-wie-die-neuen-ki-bildgeneratoren-funktionieren)) | ==== Tipps für Video-Prompts ==== Bei Video-Prompts reicht eine Inhaltsbeschreibung oft nicht. Man sollte auch beschreiben, was sich bewegt und wie die Kamera sich verhält. * Kamerabewegung angeben: //"langsam nach links schwenkend"// oder //"statische Kamera"// * Bewegungsart beschreiben: //"langsam laufende Person"// statt nur //"Person"// * Weniger Elemente im Bild = bessere zeitliche Konsistenz ===== 6. Bekannte Tools und Modelle ===== ^ Tool / Modell ^ Typ ^ Besonderheit ^ | Stable Diffusion | Bildgenerator (open source) | Kostenlos, lokal installierbar, sehr grosse Community | | Midjourney | Bildgenerator (kommerziell) | Sehr hohe Bildqualität, Bedienung über Discord | | DALL-E 3 | Bildgenerator (OpenAI) | Gut bei Text im Bild und genauen Anweisungen | | Adobe Firefly | Bildgenerator | Trainiert auf lizenzierten Bildern, in Creative Cloud integriert | | Runway Gen-3 | Videogenerator | Schnell, hohe Qualität, kommerziell | | Pika | Videogenerator | Einfache Bedienung, gut für Bild-zu-Video | | Sora | Videogenerator (OpenAI) | Kann lange, qualitativ hochwertige Videos erzeugen | ===== 7. Anwendungsbereiche ===== KI Bild und Videogeneratoren werden in vielen Bereichen eingesetzt. Um einen besseren Überblick zu behalten, kann man die Anwendungen in verschiedene Kategorien einteilen: ==== Kreative Anwendungen ==== * Kunst und Design: Unterstützung bei Ideen, Entwürfen und Visualisierungen * Film und Medien: Erstellung von Storyboards, visuellen Effekten und Konzeptbildern * Spieleentwicklung: Generierung von Figuren, Landschaften und Texturen ==== Praktische und berufliche Anwendungen ==== * Architektur und Produktdesign: Realistische Visualisierung von Gebäuden und Objekten * Marketing: Erstellung von Bildern und Videos für Werbung und soziale Medien * Bildung: Veranschaulichung von komplexen Inhalten, z. B. historische Szenen oder wissenschaftliche Prozesse ==== Wissenschaft und Technik ==== * Forschung: Generierung von synthetischen Daten für das Training anderer KI Modelle * Medizin: Simulationen und Visualisierungen, vor allem in Ausbildung und Forschung ==== Alltag ==== * Private Nutzung: Erstellung von Bildern, Videos oder kreativen Projekten * Social Media: Inhalte für Posts, Profile oder persönliche Projekte ===== 8. Risiken und gesellschaftliche Fragen ===== ==== Deepfakes und Desinformation ==== Mit generativer KI lassen sich sehr realistische Bilder und Videos von Personen erzeugen, sogenannte Deepfakes. Diese können gezielt eingesetzt werden, um falsche Informationen zu verbreiten oder Menschen Dinge in den Mund zu legen, die sie nie gesagt haben. Das Problem ist, dass solche Inhalte für viele Menschen kaum von echten Aufnahmen zu unterscheiden sind. Dadurch wird es schwieriger, zwischen Wahrheit und Manipulation zu unterscheiden.((BSI: Deepfakes Gefahren und Gegenmassnahmen. https://www.bsi.bund.de)) ==== Verlust von Vertrauen ==== Wenn immer mehr Inhalte künstlich erzeugt werden, kann das langfristig das Vertrauen in Medien schwächen. Fotos und Videos galten früher oft als Beweis. Heute ist das nicht mehr selbstverständlich. Das betrifft zum Beispiel Journalismus, soziale Medien und auch politische Kommunikation. ==== Urheberrecht und Autorschaft ==== Ein zentrales Problem ist die Frage, wem ein KI erzeugtes Bild gehört. In vielen Fällen gilt: Wenn kein Mensch kreativ beteiligt ist, gibt es kein klassisches Urheberrecht. Schwierig wird es, wenn ein Mensch aktiv am Ergebnis mitarbeitet, zum Beispiel durch gezielte Prompts oder Nachbearbeitung. Hier ist die Rechtslage noch nicht eindeutig geklärt. ==== Bias und Repräsentation ==== KI Modelle lernen aus grossen Datenmengen aus dem Internet. Diese Daten enthalten oft unbewusste Verzerrungen. Das kann dazu führen, dass bestimmte Gruppen stereotyp dargestellt werden oder weniger sichtbar sind. Solche Verzerrungen nennt man Bias und sie spiegeln gesellschaftliche Ungleichheiten wider. ==== Missbrauch und Manipulation ==== Neben Deepfakes gibt es weitere Risiken: * Erstellung von Fake Bildern für Betrug * Manipulation von Beweismaterial * Automatisierte Propaganda Dadurch entsteht ein neues Feld von digitalen Sicherheitsproblemen. ==== Umwelt und Ressourcen ==== Das Training grosser Modelle benötigt viel Rechenleistung und Energie. Das führt zu einem hohen Stromverbrauch und damit zu Umweltbelastung. Neue Methoden versuchen, diese Kosten zu reduzieren, aber das Problem bleibt bestehen. ===== 9. Spannende (Erklär)videos zum Thema generative KI ==== <WRAP download> "AI, Machine Learning, Deep Learning and Generative AI Explained"((https://www.youtube.com/watch?v=qYNweeDHiyU)) "Generative AI in a Nutshell - how to survive and thrive in the age of AI"((https://www.youtube.com/watch?v=2IK3DFHRFfw)) "Evolution of AI"((https://www.youtube.com/shorts/HVn1v9Bsibw)) </WRAP> ===== 10. Zusammenfassung ===== <WRAP round tip> Kernaussagen auf einen Blick: - Bild- und Videogeneratoren kombinieren einen komprimierten Bildraum (VAE), ein Modell das Zusammenhänge versteht (Transformer oder U-Net) und ein Erzeugungsverfahren (Diffusion). - Der Diffusionsprozess läuft schrittweise ab: aus Rauschen wird langsam ein zum Prompt passendes Bild. - Parameter wie Seed, Guidance Scale und Steps steuern das Ergebnis direkt. - Video-Generatoren haben die zusätzliche Herausforderung, dass alle Frames zeitlich zusammenpassen müssen. - Die gesellschaftlichen Risiken – Deepfakes, Urheberrecht, Bias, Energieverbrauch – sind mindestens so wichtig wie die Technik. </WRAP> ef/ki/bild.txt Zuletzt geändert: 2026/04/22 09:34von baechlerl