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.

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.¹⁾

Bild- und Videogeneratoren sind eine Art generative KI. Man gibt ihnen eine Textbeschreibung (den Prompt) und sie erzeugen daraus ein passendes Bild oder Video.²⁾

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

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.³⁾

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.⁴⁾

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.⁵⁾

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.⁶⁾

Ein VAE besteht aus zwei Teilen:

1. Encoder: Ein Bild wird stark vereinfacht und in eine kompakte Form gebracht (latenter Raum).
2. 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.⁷⁾

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:⁸⁾

1. Vorwärtsprozess: Ein echtes Bild wird schrittweise mit Rauschen überlagert, bis es nur noch zufällige Pixel zeigt.
2. Rückwärtsprozess: Das Modell lernt, diesen Prozess umzukehren – also aus Rauschen wieder ein sinnvolles Bild zu machen.
3. Anwendung: Man beginnt mit purem Rauschen und lässt das Modell es Schritt für Schritt „bereinigen“, geleitet durch den Prompt.

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.⁹⁾

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.

Hier ist der typische Ablauf, wenn man zum Beispiel Stable Diffusion benutzt:

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.¹⁰⁾

Video bedeutet „Bild + Zeit“. Das macht die Aufgabe schwieriger, denn es reicht nicht, dass jedes einzelne Bild (Frame) gut aussieht.

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

KI Bild und Videogeneratoren werden in vielen Bereichen eingesetzt. Um einen besseren Überblick zu behalten, kann man die Anwendungen in verschiedene Kategorien einteilen:

• 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

• 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

• Forschung: Generierung von synthetischen Daten für das Training anderer KI Modelle
• Medizin: Simulationen und Visualisierungen, vor allem in Ausbildung und Forschung

• Private Nutzung: Erstellung von Bildern, Videos oder kreativen Projekten
• Social Media: Inhalte für Posts, Profile oder persönliche Projekte

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.¹³⁾

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.

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.

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.

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.

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.