Text-zu-Bild-Modell

Ein Text-zu-Bild-Modell ist ein Programm, das aus einem geschriebenen Satz ein Bild macht. Man tippt zum Beispiel „ein roter Fuchs im Schnee, Ölgemälde“ ein und bekommt nach wenigen Sekunden ein passendes Bild. Dieses Bild existierte vorher nicht. Es wird nicht aus einer Datenbank herausgesucht, sondern Pixel für Pixel neu berechnet. Deshalb sehen zwei Bilder zum selben Satz auch nie genau gleich aus. Die bekanntesten Programme dieser Art heißen Midjourney, Stable Diffusion und DALL·E.

Was sich für Fotografen, Designer und Fälscher geändert hat

Bis vor wenigen Jahren kostete ein brauchbares Werbebild Geld und Zeit. Man brauchte eine Kamera, ein Studio oder einen Illustrator. Heute reicht dafür oft ein Satz und ein paar Cent Rechenkosten. Das trifft ganze Berufsfelder: Stockfoto-Agenturen, Illustratoren, Grafikabteilungen. Die Firma Getty Images hat deshalb gegen einen Anbieter geklagt.

Der Streit dreht sich vor allem um das Trainingsmaterial. Die Modelle haben mit Milliarden Bildern aus dem Internet gelernt, oft ohne Erlaubnis der Urheber. Künstler argumentieren, ihre Arbeit stecke unbezahlt in den Programmen. Die Anbieter berufen sich darauf, dass kein Bild kopiert, sondern nur ein Stil gelernt werde. Gerichte in mehreren Ländern klären das gerade erst.

Dazu kommt ein Missbrauchsproblem. Realistische Bilder von Ereignissen, die nie stattgefunden haben, lassen sich in Sekunden herstellen. Gefälschte Fotos von Politikern oder Katastrophen verbreiten sich schnell in sozialen Netzwerken. Die EU verlangt deshalb im KI-Gesetz, dass solche Bilder als künstlich erzeugt gekennzeichnet werden.

Vom Rauschen zum Bild: das Diffusionsverfahren

Die meisten dieser Programme arbeiten mit einem Verfahren namens Diffusion. Beim Training nimmt man echte Fotos und schüttet schrittweise Bildrauschen darüber, bis nur noch Grieß übrig ist. Das Modell lernt, diesen Vorgang rückwärts zu gehen. Es soll aus einem verrauschten Bild schätzen, wie das saubere Bild darunter aussah. Diese Aufgabe wiederholt es millionenfach.

Beim Erzeugen startet das Programm dann mit reinem Zufallsrauschen. Schritt für Schritt entfernt es einen Teil davon, meist in zwanzig bis fünfzig Durchgängen. Nach und nach schälen sich Formen, Farben und Details heraus. Ein Bildhauer, der aus einem Steinblock alles wegschlägt, was nicht zur Figur gehört, ist ein passender Vergleich. Nur beginnt das Modell nicht mit Stein, sondern mit Farbrauschen.

Der eingetippte Satz steuert diesen Vorgang. Ein zweites Netz wandelt den Text in eine lange Zahlenreihe um, die seine Bedeutung darstellt. Bei jedem Entrauschungsschritt vergleicht das Modell, ob das entstehende Bild zu dieser Zahlenreihe passt. So landet man bei einem Fuchs und nicht bei einem Hund. Genau hier liegt auch die häufigste Schwäche: Zahlwörter, Beschriftungen und Hände werden oft falsch umgesetzt, weil das Modell Formen nachahmt und nicht zählt.

Wo diese Bilder heute auftauchen

Am sichtbarsten sind sie in der Werbung und auf Nachrichtenseiten. Viele Beitragsbilder zu abstrakten Themen sind inzwischen künstlich erzeugt. Auch Produktentwürfe, Buchcover, Spielgrafiken und Präsentationsfolien entstehen so. In Online-Shops testen Händler generierte Varianten desselben Produktfotos.

Man begegnet der Technik außerdem als eingebaute Funktion. Photoshop kann fehlende Bildteile ergänzen, Handy-Apps ersetzen den Hintergrund eines Fotos. ChatGPT und ähnliche Assistenten erzeugen Bilder direkt im Chatfenster. Der Nutzer merkt dabei oft gar nicht, dass ein eigenes Modell dahintersteckt.

In Börsen-Nachrichten taucht der Begriff meist im Zusammenhang mit Nvidia, Adobe oder Rechtsstreitigkeiten auf. Ein verwandter Begriff ist das Text-zu-Video-Modell, das nach demselben Prinzip bewegte Bilder erzeugt. Ein verbreiteter Irrtum ist übrigens, dass diese Programme im Internet suchen. Sie sind offline und enthalten kein einziges gespeichertes Foto, sondern nur gelernte Muster.