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
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.
Vorwärts: Bild → Rauschen (kinderleicht)
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.
🧭 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.