Wie funktioniert KI-Bildgenerierung

Ein Diffusionsmodell wird mit Millionen oder Milliarden von Bild-Text-Paaren trainiert. Dabei speichert es keine einzelnen Bilder ab. Es lernt statistische Zusammenhänge zwischen Begriffen und visuellen Merkmalen.

Stell dir vor das Modell soll später einmal "eine Katze mit Hut" erzeugen. Dafür muss es während des Trainings gelernt haben wie Katzen aussehen — Fellstruktur, Augenform, Körperhaltung — und unabhängig davon wie Hüte aussehen — Form, Krempe, Material. Beide Konzepte werden als eigenständige Muster gespeichert, die sich später beliebig miteinander kombinieren lassen.

Dieses Wissen wird in einem sogenannten Latent Space gespeichert — einem abstrakten mathematischen Raum, in dem ähnliche visuelle Merkmale nahe beieinander liegen. Der Latent Space ist eine Art unsichtbare Sammlung von Bildbausteinen, sortiert nach Ähnlichkeit. Das Modell kennt keine Originalbilder mehr — nur die gelernten statistischen Muster.

Wird ein Prompt eingegeben, aktiviert das Modell die zugehörigen Muster im Latent Space. Der Prompt wirkt wie eine Gewichtung bestimmter Merkmale. Das Modell kombiniert die aktivierten Muster so, dass ein Bild entsteht das statistisch möglichst gut zur Beschreibung passt.

Es wird nicht ein vorhandenes Bild ausgewählt — sondern ein neues Bild berechnet, das die gewünschten Eigenschaften mit hoher Wahrscheinlichkeit vereint.

Die Steuerung erfolgt indirekt: beeinflusst werden nicht einzelne Pixel, sondern die Wahrscheinlichkeiten mit denen bestimmte Strukturen gemeinsam auftreten.

Der Begriff stammt aus dem technischen Prozess der Bildentstehung. Das Modell beginnt mit zufälligem Rauschen — vergleichbar mit Bildstörungen — und entfernt dieses Rauschen schrittweise. In vielen kleinen Berechnungsschritten entsteht so eine immer klarere Bildstruktur.

Je präziser und konsistenter ein Prompt formuliert ist, desto stabiler und reproduzierbarer wird das Ergebnis.

Hier liegt einer der wichtigsten Punkte für das Verständnis von Prompts — und einer der am häufigsten missverstandenen.

Bevor der Diffusionsprozess beginnt, wird der gesamte Prompt von einem Text-Encoder in einen einzigen, umfassenden Vektor übersetzt. Dieser Vektor enthält die Bedeutung des kompletten Prompts — nicht Wort für Wort nacheinander, sondern als Ganzes, gleichzeitig.

Eine hilfreiche Vorstellung: der Prompt wird nicht wie ein Satz gelesen, den man Wort für Wort abarbeitet. Er wird eher wie ein Foto des gesamten Textes auf einmal aufgenommen — mit allen Beziehungen zwischen den Wörtern bereits erfasst.

Dieser Vektor begleitet dann jeden einzelnen Schritt des Diffusionsprozesses. Bei jedem Schritt — vom verrauschten Ausgangsbild bis zum fertigen Ergebnis — "schaut" das Modell erneut auf den gesamten Prompt-Vektor und entscheidet, welche Bereiche des entstehenden Bildes von welchen Teilen des Prompts beeinflusst werden sollen.

Der Mechanismus dahinter heißt Attention (Aufmerksamkeit). Er erlaubt dem Modell zu "gewichten" wie stark welches Wort im Prompt welchen Bereich des Bildes beeinflusst. Im Beispiel "eine schwarz-weiße Katze mit Zylinder im Retro-Café" sorgt Attention dafür dass "schwarz-weiß" und "Zylinder" auf die Katze wirken, während "Retro-Café" die Umgebung prägt — auch wenn diese Wörter im Satz weit voneinander entfernt stehen.

Was das nicht bedeutet: Das Modell hat kein Gedächtnis im menschlichen Sinn, und es liest den Prompt nicht sequenziell wie ein Mensch einen Satz liest. Es gibt keine Notizen, kein Sich-Erinnern, kein Verstehen. Es gibt eine mathematische Repräsentation des gesamten Prompts, die bei jedem Berechnungsschritt erneut herangezogen wird.

Für die Praxis bedeutet das: der gesamte Prompt wirkt auf das gesamte Bild, in jedem Schritt. Die Reihenfolge der Wörter spielt eine Rolle — aber anders als in einem Satz, den man von links nach rechts liest. Sie beeinflusst wie stark Attention bestimmten Begriffen Gewicht gibt.

Die Berechnungen in jedem Diffusionsschritt übernimmt ein neuronales Netz — ein Rechenmodell das aus vielen miteinander verbundenen Einheiten besteht, organisiert in Schichten. Eine Eingabeschicht, mehrere verarbeitende Schichten, eine Ausgabeschicht. Jede Einheit verarbeitet Zahlenwerte, gewichtet sie, summiert sie und gibt das Ergebnis weiter.

Eine hilfreiche Vorstellung: eine Produktionsstraße. Am Anfang wird Rohmaterial angeliefert — der verrauschte Bildzustand plus der Prompt-Vektor. Das Material durchläuft mehrere Stationen, an denen es verarbeitet und verändert wird. Jede Station trifft anhand ihrer trainierten Einstellungen — der Gewichte — Entscheidungen. Am Ende der Linie steht ein etwas weniger verrauschtes Bild als am Anfang.

Was die Attention-Mechanismen zu dieser Produktionsstraße hinzufügen: jede Station hat nicht nur das Material vor sich, sondern auch jederzeit Zugriff auf den vollständigen Prompt-Vektor — wie eine Tafel die über der ganzen Produktionsstraße hängt und die jede Station jederzeit ablesen kann. Es gibt keine Weitergabe von Station zu Station, keinen Notizzettel der wandert — sondern eine gemeinsame Referenz auf die alle gleichzeitig zugreifen.