# Wie ein Bildgenerator aus Rauschen ein Bild erzeugt
> Ein Bildgenerator malt nicht und setzt keine Collage zusammen: Das Modell startet bei zufälligem Rauschen und entfernt es Schritt für Schritt, gelenkt von deinen Worten. Wie das funktioniert und warum es die verformten Hände erklärt.
Source: https://rfriedmann.de/de/blog/how-image-generators-work/ · English: https://rfriedmann.de/blog/how-image-generators-work/
Published: 2026-11-08 · Track: learn · Level: Beginner
Die [vorige Lektion](/de/blog/how-models-see-images/) ging in eine Richtung: Bild rein,
Wörter raus. Ein Bildgenerator geht den umgekehrten Weg, Wörter rein, Bild raus, und es
läge nahe zu vermuten, dass er wie ein rückwärts laufender Chatbot arbeitet und das Bild
Stück für Stück malt. Tut er nicht. Hinter fast jedem Bildgenerator steckt eine andere
Familie, das [Diffusionsmodell](/de/blog/ai-that-isnt-an-llm/), und sein Ansatz klingt
beim ersten Hören verkehrt herum: Es lernt Bilder zu machen, indem es lernt, *Rauschen
zu entfernen*.
## Training: Bilder ruinieren und lernen, es rückgängig zu machen
Das Training beginnt mit Millionen von Bildern und ihren Bildunterschriften. Nimm eins,
füg ein bisschen zufälliges Rauschen hinzu, dann noch ein bisschen, und mach weiter, bis
nur noch Schnee übrig ist. Das ursprüngliche Rezept (Ho et al., 2020, das „DDPM“-Paper)
nutzte 1.000 solcher Schritte vom sauberen Bild bis zum reinen Rauschen.
Jetzt bekommt das Modell genau eine Aufgabe: Zeig ihm ein verrauschtes Bild, die
Schrittnummer und die Bildunterschrift, und es soll das hinzugefügte Rauschen
vorhersagen. Mehr lernt es nie. Es sieht „mal eine Katze“ nie als Anweisung; es sieht
Tausende halb ruinierter Katzenfotos neben dem Wort „Katze“ und wird sehr gut darin zu
erraten, welche Sprenkel nicht dazugehören.
Diese Fähigkeit reicht aus, um Bilder zu erzeugen. Gib dem trainierten
Modell eine Leinwand aus *reinem* Rauschen und die Beschreibung „ein rotes Haus auf einem
Hügel“. Es errät das Rauschen, du ziehst einen Teil davon ab, und das Ergebnis ist ein
bisschen weniger zufällig und ein bisschen hausähnlicher. Gib das wieder hinein. Nach
genug Runden ist nichts Zufälliges mehr übrig, nur ein Haus, das niemand fotografiert hat.
Generierung: dasselbe Netz, immer wieder auf seine eigene Ausgabe angewandt
[diagram omitted — see the page for the chart]
Eine Spielzeugversion mit 36 Pixeln. Ein echtes Modell macht dasselbe mit einem ganzen Bild auf einmal: Jeder Schritt betrachtet die gesamte Leinwand, also wird das Bild überall gleichzeitig schärfer, statt wie ein Satz von links nach rechts gezeichnet zu werden.
## Wie die Worte mitreden
Der Prompt erreicht das Modell über einen **Text-Encoder**, ein Sprachmodell, das deinen
Satz in dieselbe Art von Bedeutungsvektoren übersetzt, die die
[Lektion übers Sehen](/de/blog/how-models-see-images/) beschrieben hat. Bei jedem Schritt
schaut der Entrauscher auf diese Vektoren, während er entscheidet, was er entfernt.
Allein ist diese Lenkung schwach, deshalb setzt fast jeder Generator ein Verfahren namens
**Classifier-Free Guidance** obendrauf (Ho und Salimans, 2022). Bei jedem Schritt macht
das Modell zwei Schätzungen, eine mit deinem Prompt und eine mit einem leeren Prompt, und
der eigentliche Schritt wird weiter in Richtung des Unterschieds geschoben. Eine
Einstellung, meist *Guidance Scale* genannt, legt fest, wie stark. Dreh sie hoch, und das
Bild folgt deinen Worten wörtlicher, ab einem gewissen Punkt wird es grell und
übersättigt. Außerdem heißt das zwei Durchläufe pro Schritt, ein Grund, warum die
Generierung eine Weile dauert.
## Die Abkürzung, die es praktikabel machte: klein arbeiten
Ein ganzes Foto Pixel für Pixel zu entrauschen ist teuer. Die Entwicklung, die das auf
normale Grafikkarten brachte, war **Latent Diffusion** (Rombach et al., 2022, das Paper
hinter Stable Diffusion). Ein separates kleines Netz, ein Autoencoder, presst das Bild
zuerst in ein kompaktes Zahlenraster, das *Latent*, und das gesamte Verrauschen
und Entrauschen findet dort statt. Erst ganz am Ende wird das Ergebnis zurück in Pixel
dekodiert.
Die Ersparnis ist groß. Die ersten Versionen von Stable Diffusion machten aus einem Bild
mit 512 x 512 Pixeln und 3 Farbkanälen (786.432 Zahlen) ein Raster von 64 x 64 mit
4 Kanälen (16.384 Zahlen): 48-mal weniger Werte, die durch jeden Schritt müssen.
## Was sich seitdem geändert hat: Transformer und geradere Wege
Die erste Generation nutzte ein Faltungsnetz als Entrauscher. Zwei Ideen haben es in den
aktuellen Modellen abgelöst:
- **Diffusion Transformer.** Peebles und Xie (2022) ersetzten den Entrauscher durch
dieselbe Transformer-Bauweise, die auch LLMs antreibt, angewandt auf Ausschnitte des
Latents. Wie bei LLMs wurde er zuverlässig besser, je größer man ihn machte.
- **Flow Matching.** Statt Rauschen entlang eines verschlungenen Pfads zu entfernen,
lernt das Modell einen geraden Weg vom Rauschen zum Bild (Lipman et al., 2022; Stable
Diffusion 3 skalierte 2024 einen nahen Verwandten hoch, „Rectified Flow“). Geradere
Wege brauchen weniger Schritte.
Weniger Schritte ist das, was du merkst. Ein *destilliertes* Modell ist darauf trainiert,
den Weg in einer Handvoll großer Schritte statt Dutzender kleiner zurückzulegen. Alibabas
Z-Image-Turbo zum Beispiel ist ein Modell mit 6 Milliarden Parametern, auf 8 Schritte
destilliert. Weniger Schritte heißt schnellere Bilder, meist bezahlt mit etwas weniger
Abwechslung zwischen den Versuchen.
## Warum Hände und Schrift früher schiefgingen
Frühe Generatoren erzeugten oft Hände mit sechs Fingern und Schilder in unlesbarer
Schrift. Beides hatte dieselbe Wurzel: Das Modell lernt nur, was es
in seinen Trainingsdaten deutlich und oft sieht, und es denkt über das Bild in einem
verschwommenen, komprimierten Latent nach.
Hände sind auf den meisten Fotos klein, teilweise verdeckt und in endlos verschiedenen
Haltungen, also lernte das Modell „hautfarbene fingerige Gegend“ statt „genau fünf
Finger“. Schrift war schlimmer: Die frühen Text-Encoder waren klein und behandelten deinen
Prompt eher wie einen Sack voller Ideen als wie eine buchstabierte Zeichenkette, also
wusste das Modell, dass *ein Schild* gewünscht war, aber nicht, welche Buchstaben darauf
standen. Aktuelle Modelle nutzen viel größere Entrauscher, viel bessere
Bildbeschreibungen im Training und ein vollständiges Sprachmodell als Text-Encoder.
Alibabas Qwen-Image, ein Diffusion Transformer mit 20 Milliarden Parametern von 2025,
wurde gezielt dafür gebaut, Text in Bildern darzustellen, auch Chinesisch. Hände und
kurze Wörter gelingen inzwischen meistens; lange Absätze und exakte Anzahlen sind
weiterhin die Stellen, an denen du zuerst nach Fehlern suchen solltest.
## Bearbeiten ist derselbe Vorgang mit einer Maske
Inpainting, „ersetz den Himmel“, „entfern die Person links“, ist keine eigene Technik.
Du malst eine Maske, der Bereich außerhalb bleibt fest, und die Entrauschungsschritte
laufen nur innerhalb, wobei sich jeder Schritt an die unberührten Pixel drumherum
anpasst. Image-to-Image funktioniert genauso: Statt bei reinem Rauschen beginnst du mit
deinem eigenen Bild plus etwas Rauschen, und das Modell räumt es in Richtung des neuen
Prompts auf. Je weniger Rauschen du hinzufügst, desto mehr vom Original bleibt übrig.
## Selbst einen laufen lassen
Bildmodelle sind viel kleiner als Chatmodelle, was sie zu einem guten ersten lokalen
Experiment nach [deinem ersten lokalen Modell](/de/blog/your-first-local-model/) macht.
Die Rechnung nur für die Gewichte, mit 2 Bytes pro Parameter in 16 Bit und 1 Byte in 8 Bit:
| Modell | Größe | Gewichte 16 Bit | Gewichte 8 Bit | Lizenz |
|---|---|---|---|---|
| FLUX 3 Image Klein (Black Forest Labs, Okt. 2026) | 5,6 Mrd. | 5,6 x 2 = 11,2 GB | 5,6 GB | FLUX Kommunity License, Umsatzgrenze |
| Z-Image-Turbo (Alibaba, Nov. 2025) | 6 Mrd. | 6 x 2 = 12 GB | 6 GB | Apache 2.0 |
| Qwen-Image (Alibaba, Aug. 2025) | 20 Mrd. | 20 x 2 = 40 GB | 20 GB | Apache 2.0 |
Das sind Schätzungen nur für den Entrauscher; Text-Encoder und Autoencoder kommen
obendrauf. Die Lizenzspalte zählt so viel wie die Größenspalte: „Offene Gewichte“ kann
trotzdem Umsatzgrenzen oder Bedingungen für die kommerzielle Nutzung bedeuten, also lies
sie so, wie es die [Lizenz-Lektion](/de/blog/open-weights-and-licenses/) beschreibt,
bevor irgendetwas in ein Produkt wandert.
## Herkunft generierter Bilder
Generierte Bilder werfen zwei Fragen auf, die einem IT-Team gestellt werden. **Wem es
gehört**, ist ein eigenes Thema, behandelt in [wem KI-Ausgaben gehören](/de/blog/who-owns-ai-output/).
**Ob jemand erkennen kann, dass es generiert ist**, ist die Frage der Herkunft. Der
Standard C2PA, für Nutzer als *Content Credentials* sichtbar, hängt einer Datei einen
signierten Eintrag an, welches Werkzeug sie erzeugt hat und wie sie bearbeitet wurde. Das
ist nützlich und zugleich zerbrechlich: Viele Plattformen entfernen Metadaten beim
Hochladen, und ein fehlender Eintrag beweist in keine Richtung etwas. In der EU bringt der
[AI Act](/de/blog/ai-and-the-law-gdpr-ai-act/) eine rechtliche Seite hinzu: Anbieter von
Generatoren müssen Ausgaben maschinenlesbar als KI-erzeugt kennzeichnen, und Betreiber
müssen Deepfakes offenlegen.
## Was du mitnimmst
Ein Bildgenerator ist kein Maler und keine Collage-Maschine. Er ist ein Rauschentferner,
der so gut geworden ist, dass er Rauschen entfernen kann, das nie etwas verdeckt hat,
bei jedem Schritt gelenkt von deinen Worten. Diese eine Idee erklärt seine Stärken, ein
ganzes Bild auf einmal verfeinert, und seine alten Schwächen, Details, die er nie deutlich
gesehen hat. Alles danach, Latents, Transformer, geradere Wege, weniger Schritte, ist
Ingenieursarbeit auf dieser einen Idee.