Von sechs Fingern zu glaubwürdigen Porträts: wie KI-Bilder besser wurden

2021 bis 2022: Anatomie als offene Flanke

Die ersten breit genutzten Bildgeneratoren arbeiteten mit einer einfachen Idee: Sie lernten, welcher Bildbereich wahrscheinlich zu welchem anderen passt. Gesichter und Landschaften funktionierten gut, weil es dort viele ähnliche Beispiele gibt. Hände funktionierten schlecht, weil Hände in unzähligen Haltungen vorkommen und die Zahl der Finger eine harte Regel ist, die ein Wahrscheinlichkeitsmodell nicht kennt.

Das Ergebnis ist bekannt: sechs Finger, verschmolzene Glieder, Daumen an falscher Stelle. Dazu kamen zerfließende Schrift, schiefe Brillen und Ohren, die in den Haaren endeten. Für die Erkennung war das eine komfortable Zeit – ein Blick auf die Hand genügte meist.

2023: Schrift wurde zum neuen Verräter

Mit der nächsten Modellgeneration verschwanden viele Anatomie-Fehler. Hände wurden brauchbar, Gesichter deutlich besser. Dafür rückte ein anderes Problem in den Vordergrund: Text. Schilder, Etiketten, Zeitungen, T-Shirt-Aufdrucke – alles, was aus Buchstaben besteht, wurde zu einer Ansammlung plausibler Formen.

Der Grund ist derselbe wie bei den Fingern: Buchstaben sind keine Formen, sondern Bedeutung. Ein Modell, das Bildbereiche zusammensetzt, hat kein Konzept davon, dass ein Etikett ein Wort trägt. Deshalb blieb genau die Stelle unzuverlässig, an der Bedeutung hätte entstehen müssen.

In dieser Zeit entstand die heute noch nützliche Faustregel: Wenn irgendwo im Bild geschrieben steht und man es nicht lesen kann, lohnt der zweite Blick.

2024 und 2025: Licht, Textur und Physik

Die folgenden Generationen wurden vor allem bei drei Dingen besser: Licht, das über eine Szene hinweg konsistent bleibt; Texturen, die nicht mehr wachsartig wirken; und kleine physikalische Zusammenhänge wie Schatten, die zur Lichtquelle passen.

Gleichzeitig verschwanden viele der alten Merkmale. Haut wirkte weniger glatt, Haare lösten sich nicht mehr auf, Reflexionen hatten halbwegs plausible Verläufe. Merkmalslisten, die zwei Jahre vorher zuverlässig waren, trafen immer häufiger auch echte Fotos – ein Problem, das sich in jedem Erkennungstraining zeigt.

Was 2026 noch schwer bleibt

Vollständig gelöst ist das Problem nicht, nur verlagert. Diese Bereiche sind weiterhin anfällig – nicht weil Modelle schlecht sind, sondern weil sie Aufgaben mit harten Regeln sind.

• Langer Text: Einzelne Wörter gelingen, ein Absatz nicht. Sobald Bedeutung über mehrere Zeilen tragen muss, bricht die Struktur.
• Exaktes Zählen und Wiederholen: gleich viele Fenster, gleich viele Zähne, gleich viele Sterne. Muster mit fester Anzahl bleiben unzuverlässig.
• Kontakt zwischen Händen und Objekten: Eine Hand, die eine Tasse hält, verliert an der Kontaktstelle oft die Form. Das Objekt bleibt, der Griff löst sich auf.
• Kausalität: Ein nasser Boden ohne Regen, ein Schatten ohne Sonne, ein zerbrochenes Glas, das auf dem Tisch liegt statt darunter. Zusammenhänge über das Bild hinweg bleiben schwach.
• Konsistenz über eine Serie: Acht Bilder mit derselben Person sind möglich, aber Accessoires wechseln still die Form.
• Echte Unordnung: Echte Fotos haben Staub, schiefe Bilder, Reflexe. Generatoren erzeugen aufgeräumte Unordnung, die bei genauem Hinsehen aus denselben Elementen besteht.

Warum Merkmalslisten trotzdem helfen

Wenn sich Merkmale verschieben, ist die naheliegende Schlussfolgerung, dass sie nutzlos sind. Das stimmt nicht – sie ändern nur ihre Rolle. Ein Merkmal entscheidet nie, aber es zeigt, wo man genauer hinsehen muss. Die Frage lautet nicht mehr „Hat die Person sechs Finger?“, sondern „Stimmt an dieser Stelle alles zusammen?“.

Der zweite Grund ist die Verteilung. Viele der im Umlauf befindlichen Bilder stammen aus älteren Modellen, aus kostenlosen Diensten oder aus mehrfach weitergeleiteten Dateien mit Kompressionsschäden. Die alten Fehler sind also nicht weg, sie treten nur neben neuen auf. Wer beide Generationen kennt, sieht mehr.

Was das für Erkennung bedeutet

Die wichtigste Konsequenz betrifft nicht das Auge, sondern die Erwartung. Jede Erkennungsregel hat ein Verfallsdatum, weil sie aus den Fehlern einer Generation gelernt ist. Wer ausschließlich auf Merkmale setzt, wird regelmäßig danebenliegen – und zwar in beide Richtungen: Fälschungen für echt halten und echte Fotos für Fälschungen.

Robuster ist eine Reihenfolge: erst die Herkunft prüfen, dann der Gesamteindruck, dann die Details. Details sind der Teil, der sich am schnellsten ändert. Herkunft ist der Teil, der am längsten trägt.

Häufige Fragen