Frame

Ein Frame ist ein einzelnes Standbild aus einer Folge von Bildern. Ein Video ist nämlich keine echte Bewegung, sondern eine schnelle Abfolge vieler Fotos. Zeigt man sie schnell genug nacheinander, verschmelzen sie im Auge zu einer flüssigen Bewegung. Wie viele Einzelbilder pro Sekunde gezeigt werden, nennt man Bildrate, auf Englisch abgekürzt fps für „frames per second“. Kino läuft klassisch mit 24 Bildern pro Sekunde, Spiele oft mit 60 oder mehr. Das deutsche Wort dafür wäre schlicht Einzelbild, im Fachjargon sagen aber fast alle Frame.

Warum Programme in Einzelbildern denken

Computer können Bewegung nicht direkt verarbeiten. Sie brauchen etwas Abzählbares, und das sind eben die Frames. Ein Video von zehn Minuten Länge mit 30 Bildern pro Sekunde besteht aus 18.000 Einzelbildern. Jedes davon ist für die Maschine erst einmal ein eigenes Bild, das gespeichert, gesendet oder analysiert werden muss.

Daraus folgt sofort ein Kostenproblem. Wenn eine KI ein Video verstehen soll, muss sie im Prinzip jedes dieser Bilder ansehen. Das ist um ein Vielfaches aufwendiger, als ein einzelnes Foto zu beurteilen. Deshalb greifen viele Systeme zu einem Trick: Sie schauen sich nur jedes zehnte oder jedes fünfzigste Bild an. Bei einem Fußballspiel reicht das oft, bei einer schnellen Handbewegung kann dabei genau der entscheidende Moment verloren gehen.

Auch bei Spielen ist die Zahl der Frames eine harte Grenze. Ein Bild muss vollständig berechnet sein, bevor es auf dem Monitor erscheint. Schafft die Grafikkarte nur 20 Bilder pro Sekunde, ruckelt das Spiel sichtbar. Wer über Grafikleistung spricht, spricht deshalb fast immer über Frames pro Sekunde.

Vom Rohbild zur komprimierten Bildfolge

Ein einzelner Frame ist technisch ein Raster aus Bildpunkten. Bei Full HD sind das rund zwei Millionen Punkte, jeder mit einem eigenen Farbwert. Unkomprimiert würde eine Minute Video so viele Gigabyte belegen, dass Streaming unmöglich wäre. Videoformate lösen das mit einer einfachen Beobachtung: Zwei aufeinanderfolgende Bilder sind sich fast immer sehr ähnlich.

Deshalb wird nur ab und zu ein vollständiges Bild gespeichert, ein sogenanntes Keyframe oder Schlüsselbild. Alle Bilder dazwischen speichern bloß die Unterschiede zum vorherigen. Wenn in einer Szene nur der Mund einer Person wackelt, sind das sehr wenige Daten. Genau darum sieht ein Video bei schlechter Verbindung manchmal kurz zerfranst aus: Ein Schlüsselbild fehlt, und die Differenzen werden auf das falsche Ausgangsbild angewendet.

Bei KI-Videogeneratoren dreht sich die Aufgabe um. Sie müssen Frames erzeugen, die zueinander passen. Ein einzelnes schönes Bild ist leicht, aber die Person darf im nächsten Bild nicht plötzlich ein anderes Hemd tragen. Diese Bild-zu-Bild-Stabilität heißt zeitliche Konsistenz und ist derzeit die schwierigste Aufgabe in diesem Bereich.

Frames in Streams, Spielen und Meldungen aus der Branche

Im Alltag begegnet dir der Begriff überall dort, wo Bewegtbild läuft. Videoplattformen bieten oft 30 oder 60 Bilder pro Sekunde zur Auswahl. Handykameras werben mit Zeitlupe bei 240 Bildern pro Sekunde: Man nimmt sehr viele Frames auf und spielt sie langsam ab. Beim schrittweisen Vorspulen in einem Player springst du von Frame zu Frame.

In Technikmeldungen taucht der Begriff meist im Zusammenhang mit Grafikkarten auf. Verfahren wie Frame Generation lassen die Hardware zusätzliche Zwischenbilder berechnen, die im Original gar nicht existieren. Ein neuronales Netz schätzt, wie das Bild zwischen zwei echten Frames aussehen müsste. Das Ergebnis wirkt flüssiger, kann aber bei schnellen Bewegungen Artefakte zeigen.

Ein häufiger Irrtum: Mehr Frames bedeuten nicht automatisch ein besseres Bild. Ein Monitor mit 60 Hertz kann nur 60 Bilder pro Sekunde anzeigen, alles darüber verpufft. Und ein Kinofilm mit 24 Bildern wirkt keineswegs schlecht, sondern schlicht gewohnt. Die passende Bildrate hängt davon ab, was gezeigt wird, nicht davon, welche Zahl größer ist.