Bildmodell

Ein Bildmodell ist ein Computerprogramm, das Bilder erzeugt. Man gibt ihm einen kurzen Text ein, zum Beispiel „ein roter Fuchs im Schnee bei Sonnenuntergang“. Nach wenigen Sekunden liefert es ein passendes Bild, das es vorher noch nie gegeben hat. Es sucht dieses Bild also nicht im Internet, sondern rechnet es Pixel für Pixel neu aus. Möglich ist das, weil das Programm vorher Hunderte Millionen Bilder zusammen mit ihren Bildunterschriften ausgewertet hat. Dabei hat es gelernt, welche Bildinhalte typischerweise zu welchen Wörtern gehören.

Was sich dadurch an der Bildproduktion ändert

Bilder waren jahrhundertelang teuer. Man brauchte einen Fotografen, einen Illustrator oder mindestens Zeit und Übung. Ein Bildmodell drückt diese Kosten auf wenige Cent pro Bild. Werbeagenturen, Zeitungen und Spielefirmen nutzen das längst für Entwürfe und Hintergründe. Für Berufe, die vom Erstellen einfacher Bilder leben, ist das eine ernste wirtschaftliche Bedrohung.

Gleichzeitig entsteht ein Vertrauensproblem. Ein Foto galt lange als Beweis, dass etwas wirklich passiert ist. Diese Beweiskraft schwindet, wenn jeder in Sekunden ein überzeugendes Bild eines Ereignisses erfinden kann. Bilder von Politikern in erfundenen Situationen haben sich bereits millionenfach in sozialen Netzwerken verbreitet. Deshalb arbeiten Anbieter an unsichtbaren Wasserzeichen, also an Markierungen im Bild, die Software erkennt, das Auge aber nicht.

Dazu kommt ein juristischer Streit. Die Trainingsbilder stammen oft von Künstlerinnen und Fotografen, die nie gefragt wurden. Mehrere große Klagen gegen Anbieter von Bildmodellen laufen in den USA und in Europa. Wie sie ausgehen, entscheidet mit darüber, wie diese Technik künftig aussehen darf.

Vom Rauschen zum fertigen Bild

Die meisten heutigen Bildmodelle arbeiten nach dem Diffusionsprinzip. Beim Training nimmt man ein echtes Foto und streut schrittweise Bildrauschen hinein, also zufällige Farbflecken. Nach genug Schritten ist nur noch ein grauer Pixelbrei übrig. Das Modell übt nun das Gegenteil: Es soll zu jedem Zwischenschritt schätzen, welches Rauschen gerade hinzugekommen ist. Wiederholt man diese Schätzung oft genug, lässt sich der Vorgang umkehren.

Beim Erzeugen startet das Modell deshalb mit reinem Zufallsrauschen. In etwa zwanzig bis fünfzig Rechenschritten entfernt es daraus nach und nach das Rauschen. Der eingegebene Text steuert diesen Vorgang: Er lenkt jeden Schritt in die Richtung, die zur Beschreibung passt. Aus dem Chaos schält sich so ein Motiv heraus. Ein guter Vergleich ist ein Bildhauer, der aus einem groben Steinblock eine Figur freilegt, wobei der Text die Bauzeichnung liefert.

Ein häufiger Irrtum ist, das Modell setze fertige Bildteile aus einer Datenbank zusammen. Das tut es nicht. Gespeichert sind nur Milliarden von Zahlenwerten, die Muster und Zusammenhänge beschreiben. Genau deshalb versagt es bei Details, die es selten gesehen hat. Hände mit sechs Fingern oder unlesbare Schrift auf Schildern waren lange typische Fehler, sind aber inzwischen seltener geworden.

Bildmodelle in Apps, News und Schule

Bekannte Namen sind Midjourney, Stable Diffusion, DALL·E und Google Imagen. Viele davon lassen sich kostenlos ausprobieren, meist mit einer Begrenzung der Bilder pro Tag. Auch Chatbots wie ChatGPT oder Gemini haben ein Bildmodell eingebaut. Man merkt das nur daran, dass auf eine Bitte um ein Bild eben ein Bild erscheint.

Unauffälliger sind Bildmodelle in Handy-Apps. Die Funktion, die einen störenden Passanten aus dem Urlaubsfoto entfernt, füllt die Lücke mit erfundenen Pixeln. Auch Porträtfilter und das Erweitern eines zu knapp geschnittenen Fotos funktionieren so. Hier erzeugt das Modell kein ganzes Bild, sondern ergänzt nur fehlende Teile.

In Nachrichtentexten taucht der Begriff meist in drei Zusammenhängen auf: bei Urheberrechtsprozessen, bei gefälschten Bildern rund um Wahlen und bei den Milliardenbewertungen der Anbieter. Wichtig ist dabei die Abgrenzung zum Sprachmodell, das Text statt Bilder erzeugt. Systeme, die beides verarbeiten, heißen multimodal. Und ein Videomodell ist im Kern ein Bildmodell, das zusätzlich darauf achtet, dass aufeinanderfolgende Einzelbilder zusammenpassen.