Bild-KI: Vom Prompt zum Ergebnis
Ein Hund auf einem Skateboard, ein Schloss in den Wolken: Bildgeneratoren verwandeln kurze Beschreibungen in erstaunliche Bilder. Aber wie macht ein Computer das? Der Schlüssel heißt Lernen– aus sehr vielen Beispielen.
Bei klassischer Software legen Programmierer fest, was der Computer tun soll. Bei künstlicher Intelligenz geben sie dagegen Beispiele und ein Lernziel vor. Ein neuronales Netz – ein Rechenmodell mit vielen miteinander verbundenen Verarbeitungseinheiten – passt seine inneren Einstellungen so lange an, bis seine Ergebnisse besser zum Lernziel passen. Später soll es auch mit neuen Eingaben zurechtkommen.
Dafür gibt es unterschiedliche Lernverfahren: Beim überwachten Lernen werden passende Antworten vorgegeben. Beim unüberwachten Lernen sucht das System nach Strukturen in den Daten. Hinzu kommt selbstüberwachtes Lernen: Dabei entsteht die Lernaufgabe aus den Daten selbst. Für Bildgeneratoren ist beispielsweise das gezielte Verrauschen von Bildern eine solche Aufgabe – das ursprüngliche Bild ist bereits bekannt.
Viele leistungsfähige Bildgeneratoren nutzen Diffusionsmodelle. Ihre Grundidee klingt zunächst widersinnig: Beim Training werden vorhandene Bilder durch künstliches Rauschen immer stärker unkenntlich gemacht. Das neuronale Netz lernt, dieses Rauschen schrittweise zu entfernen. Vereinfacht gesagt übt es, aus einem Schneegestöber wieder erkennbare Bildstrukturen entstehen zu lassen.
Beim späteren Erzeugen eines Bildes beginnt das System mit zufälligem Rauschen. Die eingegebene Beschreibung lenkt die schrittweise Verwandlung: Aus dem Rauschen entstehen Formen, Gegenstände und Details, die zum Text passen sollen. Dabei wird nicht einfach ein bestimmtes Trainingsbild wiederhergestellt, sondern ein neues Bild auf Grundlage der gelernten Muster erzeugt.
Wie gut das funktioniert, hängt auch von den Trainingsdaten ab. Sind bestimmte Motive überrepräsentiert, kann die KI Zusammenhänge lernen, die gar nicht zwingend zusammengehören.
Ein paradigmatisches Beispiel: Zeigen die Trainingsbilder Hunde fast immer beim Nagen an einem Knochen, könnte der Generator auch dann einen Knochen ergänzen, wenn nur ein Hund gewünscht ist. Das Problem liegt dann nicht allein am eingegebenen Text, sondern an den einseitigen Beispielen.
Autoencoder verdichten Bilder zu einer kompakten Darstellung und rekonstruieren sie daraus. Transformer nutzen einen Aufmerksamkeitsmechanismus, um wichtige Beziehungen zwischen Bildteilen und Textbestandteilen zu gewichten. In modernen Diffusionssystemen können beide Techniken zusammenarbeiten: Die Bildberechnung erfolgt in einer kompakten Darstellung, während ein Transformer das schrittweise Entrauschen übernimmt.
Eine wichtige Weiterentwicklung besteht darin, einzelne Gegenstände und Bildbereiche gezielter zu behandeln. Dann bekommt beispielsweise der Hund links eine eigene Beschreibung und das Fahrrad rechts eine andere. Solche regionalen Verfahren werden bereits erforscht und eingesetzt. Sie sollen verhindern, dass Eigenschaften durcheinandergeraten – etwa wenn plötzlich das Fahrrad Fell bekommt. Die Herausforderung bleibt, aus den getrennt gesteuerten Bereichen ein stimmiges Gesamtbild zu erzeugen.