Warum KI-Bilder nach KI aussehen, und die Wörter, die das beheben

Man erkennt es meistens. Nicht weil das Bild schlecht gemacht ist, sondern weil es zu gut gemacht ist: Die Haut hat keine Poren, beide Gesichtshälften passen zueinander, das Licht kommt von nirgendwo Bestimmtem, und nichts im Hintergrund ist abgestoßen. Es liest sich wie die Fotografie eines Ortes, den es nicht gibt, und genau das ist es.

Die Ursache ist einfach genug, um nützlich zu sein. Das Modell zielt auf den Durchschnitt einer enormen Zahl gut gemachter Fotos und mittelt alles weg, was variierte. Was zwischen echten Fotos variiert, ist gerade die Unvollkommenheit: hier ein Fleck, dort ein harter Schatten, ein Objektiv, das in einer Ecke weich ist. Mittle das alles zusammen, und du bekommst etwas Glattes, Symmetrisches, Totes.

Das heißt: Realismus ist nichts, worum man bittet. Er ist etwas, wohin man das Modell herunterhandelt, einen konkreten Makel nach dem anderen.

Fünf Anzeichen und der Satzteil, der jedes beantwortet

Plastikhaut.Die eingebaute Retusche. Porträtdatensätze sind voller retuschierter Gesichter, also hat das mittlere Gesicht überhaupt keine Poren. Fordere die Textur ausdrücklich zurück: „visible skin texture, fine pores, a few freckles across the nose, unretouched“. Unvollkommenheit zu bestellen fühlt sich seltsam an und ist die größte verfügbare Verbesserung für ein generiertes Gesicht.

Symmetrie.Echte Gesichter sind nicht symmetrisch und echte Räume nicht zentriert. Der Durchschnitt von allem ist es, weil sich die Asymmetrien aufheben. Brich sie absichtlich: „head turned slightly, weight on one hip, the composition off-centre with more space on her left“.

Licht von nirgendwo. Das häufigste und am leichtesten zu behebende. Sagst du nicht, woher das Licht kommt, mittelt das Modell alle Lichtsetzungen auf einmal, und heraus kommen weiche Schatten in jede Richtung, was es in der Natur nirgends gibt. Eine benannte Quelle mit einer Richtung behebt es sofort.

Zu aufgeräumte Umgebung. Echte Räume haben ein Kabel, einen Fleck, eine Jacke über der Stuhllehne. Ein einziges benanntes Stück Unordnung tut mehr für die Glaubwürdigkeit als ein weiterer Satz über das Motiv, und es ist das billigste Wort, das du ausgeben kannst.

Tote Augen.Schwieriger, und es lohnt zu wissen, warum: Augen wirken lebendig durch das Glanzlicht, die kleine helle Spiegelung dessen, was sie beleuchtet. Ein gemitteltes Gesicht bekommt ein gemitteltes, mittiges, symmetrisches Paar davon, und das ist der Blick einer Schaufensterpuppe. Fordere ein bestimmtes: „a single window catchlight in her eyes, slightly off to the left“.

Optische Wörter, die etwas tun, und solche, die nichts tun

Kameravokabular wirkt, wenn es eine physikalische Folge benennt, und wirkt nicht, wenn es bloß professionell klingt. Der Unterschied lohnt sich, denn die Hälfte der Prompts, die Leute voneinander abschreiben, sind von der zweiten Sorte.

Verdient seinen Platz: eine Brennweite, weil sie ändert, wie viel Hintergrund ins Bild kommt und wie das Gesicht gestaucht wird. Eine Blende, weil sie entscheidet, was scharf ist. Eine Tageszeit. Ein benannter Filmtyp oder ein Farbstich, weil das die Palette einschränkt. Korn. Ein bestimmter Objektivfehler wie Vignettierung oder eine weiche Ecke.

Verdient nichts:„8k“, „ultra detailed“, „masterpiece“, „award winning“, „professional photography“, „hyperrealistic“. Sie beschreiben, wie du dich zum Ergebnis fühlen möchtest, und eine Meinung lässt sich nicht zeichnen. Schlimmer noch, sie belegen Aufmerksamkeit, die ein echter Satzteil hätte nutzen können.

Ein brauchbarer Test: Könnte ein Fotograf, der im Raum steht, auf dieses Wort hin handeln? „35mm, leicht von unten“ ist eine ausführbare Anweisung. „Hyperrealistisch“ nicht.

Benenne eine echte Lichtsituation

Wenn du nach diesem Text eine Sache änderst, dann diese. Nicht „gutes Licht“, nicht „filmisches Licht“, sondern eine Situation, die tatsächlich vorkommen könnte:

• „late afternoon sun through a west-facing window, long shadow across the floor“
• „overcast noon, flat soft light, no visible shadows“
• „one bedside lamp to her right, the rest of the room falling into dark“
• „street lamp overhead at night, hard shadows under the eyes, wet pavement reflecting it“

Jede erzwingt eine Richtung, eine Härte und eine Farbe, und jede schließt den Alles-gleichzeitig-Look aus, an dem ein Bild als generiert erkannt wird. Dasselbe Prinzip wie die Reihenfolge in unseren fertigen Prompts: Licht ist der Satzteil, den man weglässt, und der, der am meisten trägt.

Auflösung ist kein Realismus

Hohe Qualität rendert höher aufgelöst, und das kauft Detail, nicht Glaubwürdigkeit. Sie zeichnet Plastikhaut in 2K genauso getreu wie in 1,5K, nur mit mehr Pixeln davon. Bring den Prompt erst in Standard für 40 Coins in Ordnung und lass die Fassung, die dir gefällt, dann für 60 in hoher Qualität laufen, wenn du die Größe wirklich brauchst. Der vollständige Vergleich steht im Beitrag zu Qualität und Formaten.

Zwei weitere ehrliche Grenzen. Hände und Gesichter sind die schwersten Motive, weil jede betrachtende Person darin Expertin ist und einen Fehler bemerkt, den sie nicht beschreiben könnte. Und wenn du dasselbe Gesicht über mehrere Bilder brauchst, schafft das kein Realismusvokabular: Das ist die Aufgabe eines Referenzbildes, wie der Beitrag zur Figurenkonstanz erklärt. Wörter tragen kein Gesicht.

Übe an Oberflächen, bevor du es an Menschen versuchst. Stoff, abgenutztes Metall, Essen, nasser Stein. Sie reagieren auf genau dasselbe Vokabular, niemand ist Experte dafür, wie ein bestimmter Topf auszusehen hat, und du lernst weit schneller, was „hartes Licht von links“ wirklich tut, als an einem Porträt. Nimm es dann mit zu Fellowi Images und ändere einen Satzteil nach dem anderen. Eine gescheiterte Generierung gibt deine Coins zurück, die einzigen echten Kosten eines Versuchs sind also eine Minute.