Stable Diffusion
Das Open-Source-Modell, das aus Textbeschreibungen Bilder erzeugt und unter vielen KI-Bildwerkzeugen steckt — flexibel, anpassbar und seit 2022 weit verbreitet.
Stable Diffusion ist ein diffusionsbasiertes KI-Modell, das Bilder aus Textbeschreibungen erzeugt. Es wandelt Rauschmuster schrittweise in Bilder um, wurde 2022 als Open-Source-Projekt veröffentlicht und bildet seither die Grundlage vieler Bildgeneratoren. Je nach Eingabe und Einstellungen entstehen realistische oder abstrakte Motive; bekannt ist die Technologie vor allem für ihre Flexibilität und Anpassungsfähigkeit.
Wie das Modell arbeitet
Stable Diffusion arbeitet in zwei Hauptphasen: Zuerst wird ein Bild schrittweise mit Rauschen überlagert, anschliessend lernt die KI, diesen Prozess umzukehren und aus dem Rauschen ein Bild zu rekonstruieren. Trainiert wird mit einer grossen Datenbank aus Bild-Text-Paaren. Als Diffusionsmodell der latenten Bauart arbeitet es in einem komprimierten Datenraum und reduziert so die Rechenlast; der Prompt steuert, welche Bildmerkmale erzeugt werden.
Der Prozess läuft auf Grafikkarten oder spezialisierten Servern ab. Die Qualität hängt von der Menge der Trainingsdaten und den gewählten Parametern ab. Moderne Varianten erlauben auch die Bearbeitung bestehender Bilder, etwa per Inpainting; Stile oder Gesichter bleiben dabei oft erkennbar, selbst bei starken Änderungen. Die Generierung dauert meist wenige Sekunden bis Minuten. Viele der Werkzeuge in unserem Katalog bauen auf Stable Diffusion oder verwandten Modellen auf.
Herkunft und typische Merkmale
Der Name setzt sich aus «stable» (stabil) und «Diffusion» (Streuung) zusammen und verweist auf den technischen Prozess, der schrittweise Rauschmuster in Bilder umwandelt. Das Modell entstand in Zusammenarbeit mehrerer Forschungsgruppen und baut auf Arbeiten zu Diffusionsmodellen aus den 2010er-Jahren auf. Die Veröffentlichung als Open-Source-Projekt beschleunigte die Verbreitung erheblich. Bilder aus Stable Diffusion zeigen dabei oft charakteristische Eigenschaften:
- Anatomie: Hände und komplexe Objekte wirken manchmal unnatürlich oder verzerrt.
- Physik: Licht und Schatten folgen nicht immer physikalischen Gesetzen.
- Auflösung: Sie liegt oft bei 512x512 oder 768x768 Pixeln; höhere Auflösungen erfordern zusätzliche Nachbearbeitungsschritte.
Trotzdem sind die Ergebnisse für viele Anwendungen ausreichend präzise. Häufig finden sie sich in Werbung, Konzeptkunst oder Social Media; wiederkehrende Stile entstehen, wenn gleiche Einstellungen genutzt werden, und manche Nutzer fügen absichtlich «Signaturen» wie bestimmte Farbfilter hinzu.
Abgrenzung und Recht in der Schweiz
Im Gegensatz zu GANs (Generative Adversarial Networks) nutzt Stable Diffusion keine gegnerischen Netzwerke. GANs erzeugen Bilder oft schneller, neigen aber zu Artefakten wie verschwommenen Details. DALL-E ist ein anderes Diffusionsmodell mit stärkerer Fokussierung auf kreative Kombinationen; Midjourney baut auf ähnlicher Technologie auf, bietet aber weniger direkte Steuerungsmöglichkeiten. Von klassischen Bildbearbeitungsprogrammen unterscheidet sich Stable Diffusion grundsätzlich: Während Photoshop oder GIMP bestehende Pixel verändern, erzeugt die KI komplett neue Bilddaten auf Basis statistischer Muster.
Rechtlich stellen sich in der Schweiz zwei Fragen. Erstens das Urheberrecht: Das Modell wurde mit öffentlichen und lizenzierten Daten trainiert und kann Stile oder Motive erzeugen, die geschützten Werken ähneln; den Rahmen dafür setzt das URG. Zweitens der Persönlichkeitsschutz: Wer Bilder realer, erkennbarer Personen erzeugt oder verändert, berührt das Persönlichkeitsrecht nach ZGB Art. 28. Die Verantwortung für die Nutzung liegt in beiden Fällen beim Anwender, nicht beim Modell. Als Primärquellen dienen die Arbeit zu latenten Diffusionsmodellen von Rombach et al. (2021) sowie die DDPM-Arbeit von Ho et al. (2020).
Häufige Fragen zu Stable Diffusion
Kann Stable Diffusion urheberrechtlich geschützte Werke reproduzieren?
Das Modell wurde mit grossen Mengen öffentlicher und lizenzierter Daten trainiert und kann deshalb Stile oder Motive erzeugen, die geschützten Werken ähneln. Die rechtliche Einordnung richtet sich nach dem Einzelfall; in der Schweiz gibt das URG den Rahmen vor. Wer geschützte Marken oder Kunstwerke gezielt nachahmt, trägt die Verantwortung selbst — sie liegt beim Anwender, nicht beim Modell.
Warum sehen manche Ergebnisse verzerrt oder unnatürlich aus?
Die KI interpretiert Textbeschreibungen auf Basis statistischer Wahrscheinlichkeiten. Komplexe Objekte wie Hände oder Architektur erfordern präzise Trainingsdaten; fehlen diese, entstehen logische Fehler oder unscharfe Bereiche. Auch die Länge der Beschreibung beeinflusst die Qualität des Ergebnisses: kurze Eingaben führen oft zu generischen oder mehrdeutigen Bildern, während detaillierte Prompts dem Modell klarere Vorgaben geben.
Lässt sich Stable Diffusion auf einem normalen Computer nutzen?
Grundlegende Versionen laufen auf leistungsfähigen Privatcomputern mit dedizierter Grafikkarte. Für hochauflösende Bilder oder komplexe Szenen wird jedoch oft Cloud-Rechenleistung benötigt. Es gibt optimierte Varianten, die weniger Ressourcen verbrauchen. Die Installation erfordert technische Kenntnisse in Python und KI-Frameworks; einfacher ist die Nutzung über webbasierte Oberflächen von Drittanbietern.