Bildgenerator

Ein Bildgenerator ist ein Programm, dem man in normaler Sprache beschreibt, was man sehen möchte. Man tippt zum Beispiel: „ein roter Fuchs im Schnee, fotografisch“. Wenige Sekunden später erscheint ein Bild, das genau das zeigt. Dieses Bild existierte vorher nirgends. Es wurde nicht aus dem Internet gesucht, sondern vom Programm neu berechnet. Möglich ist das, weil das Programm vorher Millionen von Bildern samt ihren Bildunterschriften gesehen hat und daraus Zusammenhänge zwischen Wörtern und Bildinhalten gelernt hat.

Was sich für Fotografen und Grafiker ändert

Bilder zu erzeugen war jahrhundertelang Handarbeit. Man brauchte eine Kamera, einen Pinsel oder viele Stunden am Computer. Ein Bildgenerator drückt diese Kosten auf fast null. Eine Werbeagentur, die früher ein Fotoshooting mit Team und Studio organisiert hat, probiert heute erst einmal fünfzig generierte Entwürfe durch. Das verändert ganze Berufsfelder, besonders bei einfachen Auftragsbildern wie Symbolfotos oder Produktvisualisierungen.

Gleichzeitig entsteht ein handfestes Rechtsproblem. Die Trainingsbilder stammen zu großen Teilen aus dem offenen Internet, oft ohne Zustimmung der Urheber. Fotoagenturen und Künstlerinnen haben deshalb in mehreren Ländern geklagt. Ob das Training mit fremden Bildern erlaubt ist, ist bis heute nicht abschließend geklärt. Für Unternehmen ist das ein echtes Risiko, weshalb manche Anbieter inzwischen nur noch mit lizenzierten Bildbeständen trainieren.

Der dritte Punkt betrifft alle: Fotos sind kein Beweis mehr. Ein überzeugendes Bild eines Ereignisses, das nie stattgefunden hat, kostet heute nichts. Fachleute nennen solche gefälschten Aufnahmen Deepfakes. Redaktionen und Gerichte müssen sich darauf einstellen, dass ein Bild allein nichts belegt.

Vom Rauschen zum fertigen Motiv

Die meisten heutigen Bildgeneratoren arbeiten mit einem Verfahren namens Diffusion. Der Grundgedanke lässt sich gut rückwärts erklären. Beim Training nimmt man ein echtes Foto und schüttet schrittweise Bildrauschen darüber, also zufällige Farbflecken. Nach genug Schritten ist vom Foto nichts mehr übrig. Das Programm lernt nun, jeden dieser Schritte umzukehren: Es soll aus einem leicht verrauschten Bild das etwas sauberere vorhersagen.

Bei der Erzeugung startet das Programm dann mit reinem Zufallsrauschen. Schritt für Schritt entfernt es Rauschen, bis ein klares Bild übrig bleibt. Das ist ungefähr so, als würde jemand einen Marmorblock behauen, der anfangs keinerlei Form hat. Welche Figur entsteht, gibt der eingetippte Text vor. Dieser Text wird vorher in Zahlen übersetzt und lenkt bei jedem Schritt die Entscheidung, welches Rauschen weggenommen wird.

Deshalb liefert derselbe Text nie zweimal exakt dasselbe Bild: Der Startzustand ist zufällig. Und deshalb scheitern Bildgeneratoren lange an Details, die eine feste Regel brauchen. Hände mit fünf Fingern oder lesbare Schrift waren jahrelang die typische Schwachstelle, weil das Verfahren Muster nachbildet und nicht zählt.

Von Midjourney bis zur Handykamera

Die bekanntesten Anbieter heißen Midjourney, DALL·E von OpenAI, Stable Diffusion und Googles Imagen. Stable Diffusion ist dabei besonders interessant, weil der Programmcode offen verfügbar ist. Wer einen leistungsfähigen Grafikchip besitzt, kann das Modell auf dem eigenen Rechner laufen lassen, ohne Bezahlschranke und ohne Inhaltsfilter.

Im Alltag begegnet dir die Technik oft, ohne dass sie so genannt wird. Die Funktion „magisches Radieren“ in Handy-Fotoapps entfernt störende Passanten und füllt die Lücke mit generierten Pixeln. Videokonferenz-Programme erzeugen Hintergründe, Onlineshops zeigen Kleidung an generierten Modellen. In Nachrichtenmeldungen taucht der Begriff meist in zwei Zusammenhängen auf: bei Urheberrechtsklagen und bei gefälschten Bildern rund um Wahlen oder Krisen.

Ein verbreiteter Irrtum ist übrigens, ein Bildgenerator setze bestehende Fotos zusammen wie eine Collage. Das stimmt nicht. Gespeichert sind keine Bilder, sondern nur Zahlenwerte, die statistische Muster beschreiben. Ein Modell mit mehreren Milliarden dieser Werte belegt nur wenige Gigabyte, obwohl es aus Milliarden Bildern gelernt hat. Nur bei sehr häufig vorkommenden Motiven kann es Vorlagen fast wörtlich wiedergeben.