Aus Rauschen wird Bild (Diffusion)
Zerstöre ein Bild in 20 Rausch-Schritten — und sieh dann, wie ein Entrausch-Schritt, 20-mal angewendet, aus purem Grieß wieder ein Motiv formt. Plus: was der Prompt dabei wirklich tut.
👋 HerrKI hier — heute malen wir rückwärts
🧭 Einfach gesagt: Vor deinen Augen wird ein Bild erst zu reinem Rauschen — dann räumt die KI es Schritt für Schritt wieder weg, bis ein Motiv entsteht.
Midjourney, Stable Diffusion, DALL-E: Alle großen Bild-KIs arbeiten nach demselben, fast frech simplen Prinzip — Diffusion. Es besteht aus einer leichten und einer schweren Hälfte. Die leichte kannst du gleich selbst erledigen: ein Bild kaputt machen.
- ✅ Wie aus einem Bild Rauschen wird — vorwärts, ganz ohne KI
- ✅ Warum ein Modell nur EINEN Entrausch-Schritt lernt und ihn 20-mal anwendet
- ✅ Was der Prompt dabei tut: er lenkt jeden einzelnen Schritt
- ✅ Wie so ein Schritt runter auf Tensor-Ebene aussieht — vier Pixel zum Mitrechnen
- ✅ Warum moderne Bild-KIs im Latent Space entrauschen statt auf Pixeln
Vorwärts: Bild → Rauschen (kinderleicht)
Denk dabei an „Bilder als Tensoren“: Ein Bild ist für den Rechner nichts als ein Würfel voller Zahlen. „Rauschen dazumischen“ heißt also schlicht — auf jede dieser Zahlen eine Zufallszahl draufrechnen.
Nimm ein Bild und mische in 20 Schritten immer mehr Zufallszahlen hinein, bis nur noch Grieß übrig ist. Das kann jeder Taschenrechner — dafür braucht niemand eine KI:
🎚️ Schiebe das Bild ins Rauschen — und wieder zurück
Der Trick: Ein Modell lernt EINEN Schritt — und wird 20-mal angewendet
Beim Training bekommt das Netz millionenfach Paare gezeigt: „Hier ein verrauschtes Bild — sag mir, welches Rauschen drinsteckt.“ Es lernt also nur eine einzige Fähigkeit: einen Schritt Rauschen abziehen. Bei der Bild-Erzeugung startet man dann mit purem Zufalls-Rauschen und wendet diesen einen gelernten Schritt 20-, 30-, 50-mal hintereinander an. Aus Nichts entsteht ein Bild.
Neu ist daran nichts: Das ist ein Netz wie in „Was ist ein Neuronales Netz?“, das seine Vorhersage mit dem tatsächlich eingemischten Rauschen vergleicht und diesen Abstand — den Loss — Schritt für Schritt kleiner macht. Nur die Aufgabe ist ungewohnt: Vorhergesagt wird kein Preis, sondern ein Bild voller Zufallszahlen.
🧭 Und was macht der Prompt? Er lenkt jeden Schritt
Zwei identische Rausch-Felder, dieselben Entrausch-Schritte — aber links flüstert der Prompt „❤️ Herz“ in jeden Schritt hinein, rechts läuft es ohne Lenkung:
⚠️ Ehrlichkeits-Hinweis: Diese Demo ist eine stark vereinfachte Veranschaulichung des Prinzips (unser „Modell“ ist ein kleiner Filter + Lenkung). Echte Diffusionsmodelle sagen das Rauschen mit einem trainierten neuronalen Netz voraus — der Ablauf Rauschen → gelenktes schrittweises Entrauschen → Bild ist aber exakt derselbe.
🔬 Runter zum Tensor
Du kennst alle Bausteine schon — also rechnen wir einen Schritt mit der Hand nach. Wir nehmen dafür nur vier Pixel aus dem Motiv (zum Mitrechnen verkleinert — ein 512×512-Farbbild sind in echt 786.432 Zahlen). Jede Zahl ist eine Helligkeit von 0 = schwarz bis 1 = weiß:
Das war die leichte Hälfte: vier Multiplikationen, vier Additionen. Jetzt die schwere Richtung. Das Netz bekommt nur die verrauschte Zeile zu sehen und soll sagen, welches Rauschen darin steckt. Es rät gut — aber nie perfekt:
Dieses „nur nicht ganz“ ist kein Makel, sondern der Grund für die vielen Schritte: Jeder Durchlauf holt ein Stück Struktur zurück, der nächste bügelt nebenbei den Schätzfehler des vorigen aus. Zwanzigmal hintereinander — und aus Grieß wird ein Bild.
Und so heißt genau diese Rechnung im Code. Statt vier Pixeln steht dort der ganze Bild-Tensor, Form [512, 512, 3] — die Arithmetik pro Zahl ist aber Zeile für Zeile dieselbe wie oben:
Und jetzt der Bogen zu „Latent Space“: Moderne Bild-KIs entrauschen nicht die Pixel selbst, sondern die komprimierte Latent-Version des Bildes — bei Stable Diffusion z. B. 64×64×4 = 16.384 Zahlen statt 786.432 Pixel-Werte (rund 48-mal weniger). Deshalb schafft dein Grafikchip das in Sekunden.
Zurück zur Anwendung
Wenn du das nächste Mal einer Bild-KI beim „Malen“ zusiehst — dieses Schärferwerden von grobem Matsch zu feinen Details — dann siehst du in Echtzeit genau deine Entrausch-Schleife von oben: Rauschen rein, Prompt lenkt, Schritt für Schritt Richtung Motiv. Keine Magie. Ein gelernter Schritt, oft wiederholt.
📚 Zum Weiterlesen
- Das Paper, mit dem Diffusion praktisch wurde: Jonathan Ho u. a., „Denoising Diffusion Probabilistic Models“, 2020 — arxiv.org/abs/2006.11239 — genau die Entrausch-Schleife von oben, sauber hergeleitet
- Warum im Latent Space entrauscht wird: Robin Rombach u. a., „High-Resolution Image Synthesis with Latent Diffusion Models“, 2021 — arxiv.org/abs/2112.10752 — das Paper hinter Stable Diffusion und den 16.384 statt 786.432 Zahlen
- Die freundliche Herleitung: Lilian Weng, „What are Diffusion Models?“ — lilianweng.github.io — Schritt für Schritt von der Idee bis zur Formel, mit Grafiken
- Die Ursprünge: Jascha Sohl-Dickstein u. a., „Deep Unsupervised Learning using Nonequilibrium Thermodynamics“, 2015 — arxiv.org/abs/1503.03585 — fünf Jahre vor dem Hype: Bilder kaputt machen und den Weg zurück lernen
🧠 Kurzer Check — hast du es?
✅ Das nimmst du mit
- Die Vorwärts-Richtung ist trivial. Rauschen auf ein Bild kippen kann jeder — dafür braucht es keine KI, und genau daraus entstehen die Trainingsbeispiele.
- Gelernt wird genau EIN Schritt. „Welches Rauschen steckt hier drin?“ — und dieser eine Schritt wird 20- bis 50-mal hintereinander angewendet.
- Der Prompt lenkt jeden Schritt. Ohne Lenkung entsteht auch etwas, nur eben Beliebiges; der Text schiebt jedes Mal sanft Richtung Motiv.
- Gerechnet wird im Latent Space. 16.384 statt 786.432 Zahlen pro Schritt — rund 48-mal weniger, deshalb läuft Bild-KI auf normalen Grafikkarten.
- Nichts wird herausgesucht. Am Anfang steht Zufalls-Rauschen, am Ende ein Bild, das es vorher nicht gab — keine Datenbank, kein Zusammenkleben.
📎 So zitierst du dieses Kapitel
HerrKI: Aus Rauschen wird Bild (Diffusion). herrki.de/340_diffusion, ein privates Hobbyprojekt von Terragon.de, abgerufen am 4. November 2026.
Lizenz: CC BY 4.0 — frei nutzen, teilen, anpassen. Nennung: „HerrKI (herrki.de), ein privates Hobbyprojekt von Terragon.de“.