Was ist ein Diffusionsmodell?
Stell dir einen alten Fernseher ohne Empfang vor: nur Schnee. Jetzt stell dir vor, jemand dreht ganz langsam an einem Regler, und aus dem Schnee taucht Stück für Stück ein Bild auf. Genau so arbeitet ein Diffusionsmodell.
Es ist ein generatives KI-Modell, also eins, das neue Inhalte erzeugt. Das Verfahren hat zwei Richtungen:
- Beim Training: Das Modell bekommt Bilder und fügt ihnen Schritt für Schritt Rauschen hinzu, bis nur noch Schnee übrig ist. Ein neuronales Netz lernt, jeden Schritt rückgängig zu machen.
- Beim Erzeugen: Das Modell startet mit reinem Zufallsrauschen und entfernt es Schritt für Schritt. Dein Prompt bestimmt, in welche Richtung es das Rauschen auflöst.
Den Durchbruch brachte 2020 ein Paper von Jonathan Ho, Ajay Jain und Pieter Abbeel. Ihr Modell nutzte eine Kette von 1.000 Schritten und erreichte damals Bestwerte bei der Bildqualität. Heutige Tools brauchen deutlich weniger Schritte.
Latente Diffusion: der Trick hinter Stable Diffusion
Pixel für Pixel zu entrauschen ist teuer. Ein Team um Robin Rombach zeigte 2022 eine Abkürzung: Das Bild wird zuerst in eine stark komprimierte Form gebracht, den latenten Raum. Dort läuft die Diffusion, erst am Ende wird daraus wieder ein Bild in voller Größe.
Laut Paper brauchen Pixel-Modelle oft Hunderte GPU-Tage Training, der latente Ansatz senkt das deutlich. Der Text des Prompts wird über einen Mechanismus namens Cross-Attention eingespeist. Daraus entstand Stable Diffusion, im August 2022 öffentlich und auch kommerziell nutzbar.
Welche Tools auf Diffusion beruhen
Nicht jeder Anbieter legt offen, wie sein Modell arbeitet. Belegt ist das für diese Beispiele:
Tool
Verfahren laut Anbieter
Stable Diffusion
latente Diffusion
FLUX.1
Diffusion-Transformer
Google Imagen
Kaskade aus Diffusionsmodellen
DALL·E
Diffusion
GPT-4o-Bilder
nicht Diffusion
Der letzte Eintrag ist wichtig. OpenAI schreibt in der Systemkarte zur Bildgenerierung in ChatGPT von 2025: Anders als DALL·E sei sie kein Diffusionsmodell, sondern ein autoregressives Modell, das das Bild Stück für Stück nacheinander aufbaut — so, wie ein Large Language Model Text schreibt.
Bei Midjourney und Adobe Firefly nennen die Anbieter keine Architektur. Schreib dort also nicht „basiert auf Diffusion“, auch wenn es oft so behauptet wird.
Was das fürs Marketing heißt
- Jedes Bild ist ein Würfelwurf: Weil es mit Zufallsrauschen startet, liefert derselbe Prompt jedes Mal ein anderes Bild. Plane mehrere Varianten ein.
- Details sind die Schwäche: Hände, Schrift und Logos entstehen aus Rauschen und gehen oft schief. Prüf jedes Bild vor der Veröffentlichung.
- Trainingsdaten prägen den Stil: Stable Diffusion lernte aus einem Datensatz mit 5,85 Milliarden Bild-Text-Paaren aus dem Netz. Was dort häufig ist, kommt oft heraus — Klischees inklusive.
- Kennzeichnen: Realistische KI-Bilder echter Personen oder Ereignisse sind Deepfakes und müssen offengelegt werden.
Häufige Fehler
Fehler 1 · „Alle KI-Bilder kommen aus Diffusionsmodellen“
Falsch. Die Bilder aus ChatGPT entstehen laut OpenAI autoregressiv. Andere Verfahren wie Flow Matching sind enge Verwandte.
Fehler 2 · Diffusion mit Stable Diffusion verwechseln
Stable Diffusion ist ein Produkt. Diffusion ist das Verfahren, das auch Google, Black Forest Labs und andere nutzen.
Fehler 3 · Versionsnamen für ewig halten
Modelle wechseln im Monatstakt. Was heute das beste Tool ist, ist morgen überholt. Lerne das Prinzip, nicht die Produktnamen.
So nutzt du das Wissen
Häufige Fragen
Wie funktioniert ein Diffusionsmodell einfach erklärt?
Es startet mit zufälligem Rauschen und entfernt es Schritt für Schritt, bis ein Bild entsteht. Gelernt hat es das, indem es Trainingsbildern Rauschen hinzufügte und lernte, es rückgängig zu machen. Der Prompt steuert, was entsteht.
Ist ChatGPT ein Diffusionsmodell?
Nein. ChatGPT schreibt Text autoregressiv, Wort für Wort. Auch die Bildgenerierung in ChatGPT ist laut OpenAI kein Diffusionsmodell, anders als das ältere DALL·E.
Was bedeutet latente Diffusion?
Das Entrauschen läuft nicht auf den einzelnen Pixeln, sondern auf einer stark komprimierten Fassung des Bildes. Das spart viel Rechenleistung und ist die Grundlage von Stable Diffusion.
Speichert ein Diffusionsmodell die Trainingsbilder?
Nicht als Kopien. Es lernt Muster und erzeugt daraus neue Bilder. Ob und mit welchen Bildern ein Modell trainiert werden darf, ist rechtlich aber umstritten.
Warum sehen Hände und Schrift in KI-Bildern oft falsch aus?
Das Modell setzt das Bild aus gelernten Mustern zusammen, nicht aus Regeln. Feine Strukturen wie Finger oder Buchstaben sind dabei besonders fehleranfällig.
Quellen
- Ho, Jain, Abbeel: Denoising Diffusion Probabilistic Models (2020)
- Rombach u. a.: High-Resolution Image Synthesis with Latent Diffusion Models (2022)
- Stability AI: Stable Diffusion Public Release
- Schuhmann u. a.: LAION-5B (2022)
- Black Forest Labs: Announcing FLUX.1
- Google Research: Imagen
- OpenAI: Native Image Generation System Card (2025)
