# 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.