Diffusionsmodell

Ein Diffusionsmodell ist ein Computerprogramm, das aus einer Textbeschreibung ein Bild erzeugt. Es beginnt nicht mit einer leeren Leinwand, sondern mit reinem Bildrauschen. Rauschen ist ein Gewimmel zufälliger bunter Punkte, so wie das Flimmern auf einem alten Fernseher ohne Empfang. Aus diesem Flimmern entfernt das Programm in vielen kleinen Schritten immer mehr Zufall. Nach fünfzig oder hundert Durchgängen ist ein klares Motiv übrig geblieben. Der Name kommt aus der Physik: Diffusion beschreibt, wie sich ein Tropfen Tinte im Wasser verteilt, bis nichts mehr zu erkennen ist. Das Modell hat gelernt, genau diesen Vorgang rückwärts zu laufen.

Warum diese Technik die Bildgeneratoren erobert hat

Vor 2021 wurden künstliche Bilder meist mit einer anderen Methode erzeugt. Dabei traten zwei Netze gegeneinander an: eines malte, das andere versuchte Fälschungen zu erkennen. Dieses Verfahren lieferte oft gute Ergebnisse, war aber schwer zu bändigen. Häufig produzierte es immer wieder dieselben Motive oder brach im Training zusammen.

Diffusionsmodelle sind deutlich gutmütiger. Sie lernen stabil, decken eine große Vielfalt an Motiven ab und lassen sich gut per Text steuern. Deshalb bauen praktisch alle bekannten Bildgeneratoren darauf auf: Stable Diffusion, Midjourney und DALL·E arbeiten nach diesem Prinzip. Auch Videogeneratoren wie Sora und viele Werkzeuge zur Musik- und Sprachsynthese nutzen es inzwischen.

Wirtschaftlich ist das ein Milliardenmarkt geworden. Werbeagenturen, Spielehersteller und Filmstudios ersetzen damit Teile ihrer Bildproduktion. Gleichzeitig laufen Gerichtsverfahren, weil die Modelle mit Bildern aus dem Internet trainiert wurden, oft ohne Erlaubnis der Urheber. Wer Nachrichten über KI-Kunst liest, liest fast immer über Diffusionsmodelle.

Vom Rauschen zurück zum Bild

Das Training beginnt mit echten Fotos. Zu jedem Foto gibt der Computer schrittweise Rauschen dazu, bis nur noch Grieß übrig ist. Bei jedem dieser Schritte merkt sich das Modell, welches Rauschen genau hinzugefügt wurde. Die eigentliche Aufgabe lautet also: Sieh dir ein verrauschtes Bild an und sage, welcher Anteil davon Störung ist.

Beim Erzeugen dreht man den Ablauf um. Das Modell bekommt reines Rauschen und schätzt, welcher Teil davon weg muss. Es zieht diesen Teil ab und erhält ein minimal klareres Bild. Diesen Schritt wiederholt es viele Male. Aus dem Zufall schält sich so nach und nach ein Motiv heraus, ähnlich wie ein Bildhauer eine Figur aus einem Steinblock löst.

Damit dabei das Richtige entsteht, kommt der Textbefehl ins Spiel. Ein zweites Modell übersetzt den Satz „ein roter Fuchs im Schnee“ in Zahlen. Diese Zahlen lenken bei jedem Schritt die Entscheidung, was als Störung gilt und was als Motiv. Ein häufiger Irrtum ist übrigens, das Modell würde Bildteile aus einer Datenbank zusammenkleben. Das tut es nicht: Es speichert keine Bilder, sondern nur Regeln darüber, wie Bilder typischerweise aussehen.

Diffusionsmodelle im Alltag erkennen

Am sichtbarsten sind sie in Apps, die aus einem Satz ein Bild machen. Auch die Funktion „störendes Objekt entfernen“ in Smartphone-Fotogalerien arbeitet oft so. Das Modell füllt die Lücke mit einem Motiv, das zur Umgebung passt. Ebenso funktionieren Werkzeuge, die ein Foto über den Rand hinaus erweitern.

In Nachrichten tauchen zwei Punkte immer wieder auf. Erstens der Stromverbrauch: Jedes Bild erfordert viele Rechenschritte hintereinander, was Rechenzentren belastet. Zweitens Fälschungen, denn realistische Bilder von Personen und Ereignissen sind heute in Sekunden erzeugt. Deshalb arbeiten Anbieter an unsichtbaren Wasserzeichen, die verraten, dass ein Bild aus einer Maschine stammt.

Wer selbst experimentiert, merkt schnell die typischen Schwächen. Schrift auf Schildern wird oft zu Buchstabensalat, Hände bekommen manchmal sechs Finger. Der Grund ist, dass das Modell auf plausible Muster achtet und nicht auf zählbare Regeln. Neuere Versionen sind darin besser geworden, perfekt ist keine.