Glossareintrag
Wir denken. KI tippt mit.
Ein Diffusionsmodell bei KI (englisch Diffusion Model) ist ein generatives KI-Modell, das Bilder, Videos oder Töne erzeugt, indem es aus reinem Zufallsrauschen Schritt für Schritt ein Motiv herausrechnet. Beim Training läuft der Vorgang in die andere Richtung. Ein Foto wird in vielen kleinen Schritten mit Rauschen überlagert, bis nichts mehr zu erkennen ist, und ein neuronales Netz lernt, jeden dieser Schritte rückgängig zu machen. Wer dem fertig trainierten Netz danach nur Rauschen vorlegt, bekommt ein neues Bild, das so aussieht, als stamme es aus den Trainingsdaten.
Auf diesem Verfahren beruhen die meisten Bildgeneratoren, darunter Stable Diffusion, FLUX, Adobe Firefly und Google Imagen, außerdem Video-Modelle wie Google Veo und Kling. Google nennt latente Diffusion in der Model Card zu Imagen 4 den De-facto-Standard moderner Bild- und Video-Modelle. Der Name stammt aus der Physik. Diffusion beschreibt dort, wie sich ein Tropfen Tinte im Wasser verteilt, bis er gleichmäßig verschwunden ist. Das KI-Verfahren kehrt diesen Vorgang um.
Diffusionsmodelle sind damit das Gegenstück zu den Sprachmodellen hinter ChatGPT, Claude und Gemini. Ein Sprachmodell erzeugt seine Antwort Wort für Wort von vorn nach hinten, ein Diffusionsmodell verfeinert das ganze Bild in jedem Schritt gleichzeitig. Die aktuellen Bildmodelle setzen mittlerweile als Rechenkern die Transformer-Architektur der Sprachmodelle ein, und umgekehrt gibt es seit 2025 erste Sprachmodelle, die ihren Text per Diffusion aus Platzhaltern entrauschen.
Das Training eines Diffusionsmodells besteht aus zwei Prozessen. Im Vorwärtsprozess (Forward Process) überlagert das Verfahren ein Trainingsbild in einer festen Kette von Schritten mit immer mehr Gauß-Rauschen. Das Grundlagen-Paper „Denoising Diffusion Probabilistic Models“ von Jonathan Ho, Ajay Jain und Pieter Abbeel (2020) verwendet dafür 1.000 Schritte, am Ende bleibt reines Rauschen übrig. Im Rückwärtsprozess (Reverse Process) bekommt ein neuronales Netz ein verrauschtes Bild samt Schrittnummer und muss vorhersagen, welches Rauschen hinzugefügt wurde. Diese Vorhersage ist das Trainingsziel. Das KI-Modell lernt also nicht, Bilder zu malen, sondern Rauschen zu erkennen. Das Malen ergibt sich von selbst, sobald es das erkannte Rauschen Schritt für Schritt abzieht.
Die Bildgeneratoren rechnen nicht auf den Pixeln selbst. Björn Ommers Gruppe an der LMU München (zuvor Universität Heidelberg) hat 2021 die latente Diffusion vorgestellt, die Basis von Stable Diffusion. Ein Autoencoder verdichtet das Bild zuerst in einen kleinen Zahlenraum, den Latentraum, und erst dort läuft das Entrauschen. Bei Stable Diffusion schrumpft ein Bild mit 512 mal 512 Pixeln und drei Farbkanälen auf 64 mal 64 Werte in vier Kanälen, also auf ein Achtundvierzigstel der Datenmenge. Am Ende decodiert der Autoencoder das entrauschte Ergebnis wieder zum fertigen Bild. Erst dieser Kniff hat Bildgeneratoren auf Grafikkarten für Privatleute gebracht. Das Training von Stable Diffusion 1 kostete laut Stability-Gründer Emad Mostaque rund 150.000 Stunden auf 256 A100-GPUs, zu einem damaligen Marktpreis von ungefähr 600.000 US-Dollar (Bericht bei The Decoder).
Der Text-Prompt gelangt über einen eigenen Textencoder ins Modell. Stable Diffusion 1 nutzte dafür den Encoder aus OpenAIs CLIP, Googles Imagen ein eingefrorenes T5-Sprachmodell, und FLUX.2 von Black Forest Labs setzt ein 24 Milliarden Parameter großes Mistral-Modell ein. Die Text-Merkmale fließen per Cross-Attention in jeden Entrauschungsschritt ein. Das Modell gleicht dabei jeden Bildbereich mit jedem Wort des Prompts ab. Die Classifier-free Guidance von Jonathan Ho und Tim Salimans (Paper) regelt, wie stark sich das Bild an den Prompt hält. Das Modell rechnet jeden Schritt einmal mit und einmal ohne Prompt und verstärkt den Unterschied. In den Bedienoberflächen heißt dieser Regler Guidance Scale oder CFG. Das Referenzskript von Stable Diffusion setzt ihn auf 7,5. Hohe Werte erzwingen den Prompt, kosten aber Vielfalt und erzeugen übersättigte Farben.
Die 1.000 Trainingsschritte müssen bei der Bilderzeugung längst nicht alle gerechnet werden. Der DDIM-Sampler (Song, Meng, Ermon, Oktober 2020) überspringt Schritte und ist laut seinen Autoren 10- bis 50-mal schneller als das Original bei gleicher Qualität. Die Vorgabe im Stable-Diffusion-Referenzskript lautet 50 Schritte, heutige Sampler wie Euler oder DPM++ kommen in der Praxis mit weniger aus. Destillierte Modelle benötigen noch weniger Schritte. Bei der Adversarial Diffusion Distillation (Stability AI, November 2023) lernt ein Schülermodell vom fertigen Modell, dasselbe Ergebnis in ein bis vier Schritten zu liefern. Stable Diffusion 3.5 Large Turbo und FLUX.1 [schnell] arbeiten nach diesem Prinzip und liefern ein Bild in ein bis vier Schritten (siehe Glossareintrag Destillation).
Seit 2024 hat sich auch der Rechenkern geändert. Das Entrauschungsnetz war bei Stable Diffusion 1 und XL ein U-Net, ein Faltungsnetz aus der Bildverarbeitung, mit 860 Millionen Parametern in Version 1.5 und 2,6 Milliarden in SDXL. William Peebles und Saining Xie haben es im Dezember 2022 durch einen Transformer ersetzt, den Diffusion Transformer (DiT), der das Bild in kleine Kacheln zerlegt, so wie ein Sprachmodell den Text in Token. Je mehr Rechenleistung der Transformer bekommt, umso besser wird das Bild, so ihr Befund, ein Skalierungsverhalten, das U-Nets so nicht zeigen. OpenAI beschrieb Sora im Februar 2024 ausdrücklich als Diffusion Transformer über Raum-Zeit-Kacheln. Google beschreibt Veo 3 in der Model Card als latentes Diffusionsmodell, bei dem das Entrauschen auf den Ton-Latents und den Raum-Zeit-Latents des Videos läuft. Stable Diffusion 3, FLUX, Qwen-Image und Alibabas offenes Video-Modell Wan 2.2 folgen derselben Bauweise.
Stable Diffusion 3 (Paper vom März 2024) und FLUX.1 haben parallel dazu das mathematische Ziel gewechselt und sind keine klassischen Diffusionsmodelle mehr, sondern Rectified-Flow-Modelle. Statt der verschlungenen Rauschkette lernt das Netz eine gerade Linie zwischen Rauschen und Bild, was weniger Schritte benötigt und das Training vereinfacht. Der Oberbegriff dafür lautet Flow Matching. Im Sprachgebrauch bleibt es beim Diffusionsmodell, weil das Prinzip des schrittweisen Entrauschens dasselbe ist. FLUX.1 hat 12 Milliarden Parameter, FLUX.2 vom November 2025 in der offenen Variante 32 Milliarden.
Diffusionsmodelle haben die GANs (Generative Adversarial Networks, Ian Goodfellow 2014) als Standard für Bildsynthese abgelöst. Ein GAN lässt zwei Netze gegeneinander antreten, einen Fälscher und einen Prüfer. Das Training ist instabil und neigt zum Mode Collapse, bei dem der Fälscher nur noch wenige Motive liefert, die den Prüfer täuschen. Prafulla Dhariwal und Alex Nichol von OpenAI haben im Mai 2021 mit „Diffusion Models Beat GANs on Image Synthesis“ gezeigt, dass Diffusion bessere Bilder bei größerer Vielfalt liefert. Dafür genügten 25 Rechendurchläufe pro Bild. Jascha Sohl-Dickstein und Kollegen hatten das Verfahren schon 2015 aus der Nichtgleichgewichts-Thermodynamik abgeleitet, fünf Jahre lang blieb es ein Nischenthema. 2022 folgten innerhalb weniger Monate DALL-E 2 (April), Imagen (Mai), Midjourney (Juli) und am 22. August die Veröffentlichung von Stable Diffusion mit offenen Modellgewichten. Die Trainingsdaten stammten aus einem Ausschnitt des Datensatzes LAION-5B mit 5,85 Milliarden Bild-Text-Paaren aus dem Netz.
Nicht jeder Bildgenerator ist ein Diffusionsmodell. Die Bildfunktion von ChatGPT (GPT Image) arbeitet laut OpenAIs System Card autoregressiv, also wie ein Sprachmodell Bildstück für Bildstück, und hat die diffusionsbasierten Vorgänger DALL-E 2 und 3 abgelöst. Autoregressive Modelle setzen Text im Bild und Anweisungen mit vielen Details präziser um, Diffusionsmodelle sind bei fotorealistischen Oberflächen und Licht im Vorteil. Zu Googles Nano Banana und zu Midjourney gibt es keine offiziellen Architekturangaben.
Umgekehrt wandert das Diffusionsprinzip in die Sprache. Google stellte im Mai 2025 Gemini Diffusion vor, im Juni 2026 folgte das offene Modell DiffusionGemma. Es startet laut Google-Ankündigung mit einer Fläche aus Platzhalter-Token und entrauscht Blöcke von 256 Token parallel, auf dedizierten GPUs bis zu viermal schneller als die Wort-für-Wort-Erzeugung, bei etwas geringerer Qualität. Das Start-up Inception Labs des Stanford-Professors Stefano Ermon vertreibt mit Mercury seit 2025 kommerzielle Diffusions-Sprachmodelle, die auf mehr als 1.000 Token pro Sekunde kommen. Ob dieser Ansatz die autoregressiven Sprachmodelle einholt, ist offen. Sein Vorteil liegt bei Geschwindigkeit und beim nachträglichen Korrigieren mitten im Text.
Handwerk und Einzelhandel gestalten damit meist ein vorhandenes Foto um. Diffusionsmodelle können ein Bild auch aus einem teilweise verrauschten Foto erzeugen (Image-to-Image) oder nur einen markierten Ausschnitt neu berechnen (Inpainting). Darauf setzen KI-Badplaner für SHK-Betriebe und Badausstellungen wie der KI-Badplaner aus Langenau. Der Kunde lädt ein Foto seines alten Bads hoch, wählt einen Stil, und nach etwa 30 Sekunden zeigt das Bild neue Fliesen, Armaturen und Möbel bei unverändertem Grundriss. Der Sanitär-Großhändler Frieling geht mit seinem Badplaner den anderen Weg und rechnet mit Grundriss und Produktkatalog statt mit Fotos, samt Abständen und Bewegungsflächen. Trotzdem stuft er die Entwürfe in seinem Magazin als kreativen Einstieg ein, am Ende sorge der Mensch dafür, dass alles passt. Für ein Diffusionsmodell gilt das umso mehr, denn es erzeugt Pixel, keine Maße. Es kennt keine Bewegungsflächen nach DIN 18040, keine Installationshöhen und nicht den Verlauf des Abwasserrohrs, und es setzt Fugenraster ohne Anschnitt, wo der Fliesenleger einen benötigt. Als Verkaufsbild im Beratungsgespräch überzeugt es, als Planungsgrundlage ist es unbrauchbar. Der Vermerk „Visualisierung, kein Angebot“ auf dem Bild schützt vor Missverständnissen.
Für Produktfotos ohne Studio ist dasselbe Prinzip Alltag. Der Bildbearbeitungsdienst Photoroom hat sein eigenes Diffusionsmodell darauf trainiert, zu einem freigestellten Produkt einen passenden Hintergrund zu erfinden, ohne das Produkt selbst zu verändern. Adobe Photoshop macht mit Generative Fill und Generative Expand dasselbe auf Basis von Firefly, Canva mit Magic Edit und Magic Expand. Ein Bäcker fotografiert das Brot auf dem Küchentisch und setzt es auf eine Holztheke, ein Tischler stellt den Schrank in ein Wohnzimmer, ein Autohaus tauscht den Parkplatz gegen eine Küstenstraße. Die aktuellen Preise stehen auf den Anbieterseiten (Adobe Firefly, Canva, Photoroom, Midjourney).
Bei Fassadenvorschauen färben die Farbtools von Caparol und Brillux ein hochgeladenes Foto über manuell markierte Flächen ein. Das ist klassische Bildbearbeitung ohne Diffusionsmodell, dafür mit den echten Farbtönen aus dem Farbfächer. Wer den Sonnenstand, die Bepflanzung oder ein neues Garagentor gleich mit sehen will, nimmt Generative Fill. Die Farbe stimmt dann nicht mehr exakt mit dem Farbfächer überein.
Wer Kundenfotos nicht in die Cloud geben will, betreibt das Modell auf dem eigenen Rechner. Der ZDH empfiehlt in seinem Praxisblatt zum Datenschutz bei KI (August 2025), bei der KI-Nutzung ganz auf personenbezogene Daten zu verzichten. Ein Ausschluss vom Weitertraining lasse sich in der Regel nur mit kostenpflichtigen Pro-Tools gewährleisten. Personenbezogen ist schon ein Badfoto mit der Adresse auf dem Paketaufkleber. Lokal laufen Stable Diffusion und FLUX mit Oberflächen wie ComfyUI, Forge oder dem Einsteiger-Tool Fooocus, dessen Anleitung als Minimum eine NVIDIA-Karte mit 4 Gigabyte Grafikspeicher nennt. FLUX.2 [klein] mit 4 Milliarden Parametern passt laut Black Forest Labs in rund 13 Gigabyte, in der FP8-Fassung in knapp 8. Die große FLUX.2-Variante mit 32 Milliarden Parametern benötigt in voller Präzision Rechenzentrums-Karten, quantisiert läuft sie laut Hersteller auf einer RTX 4090 oder 5090. Auf dem Mac erledigt die kostenlose App Draw Things dasselbe. Eine LoRA bringt diesen Modellen eigene Produkte oder einen festen Bildstil bei (ein kleiner Aufsatz auf das vorhandene Modell). Replicate empfiehlt fürs Training 12 bis 20 Fotos. Die zweite Frage vor dem lokalen Betrieb ist die Lizenz. Stability AI erlaubt mit seiner Community License die kommerzielle Nutzung bis 1 Million US-Dollar Jahresumsatz kostenlos. Bei FLUX ist [schnell] unter Apache 2.0 frei, [dev] dagegen nur nicht-kommerziell. Die Lizenzbedingungen erlauben zwar die kommerzielle Verwendung der erzeugten Bilder, nicht aber den Betrieb des Modells für Umsatzzwecke. Für ein Unternehmen, das damit Flyer produziert, ist das eine Grauzone.
Seit dem 2. August 2026 gilt Artikel 50 des EU AI Act. Wer ein KI-Bild veröffentlicht, das echten Personen, Orten oder Gegenständen ähnelt und als echt durchgehen könnte, muss es als künstlich erzeugt offenlegen (Wortlaut des Artikels). Die Wettbewerbszentrale erklärt in ihrem Leitfaden zur Kennzeichnung KI-generierter Inhalte (Stand Februar 2026), dass bereits Soloselbstständige als Betreiber gelten. Eine abstrakte Ähnlichkeit genügt demnach, sobald das Bild insgesamt realistisch wirkt, und Verstöße können als unlauterer Wettbewerb abgemahnt werden. Ein fotorealistisches Badbild oder ein erfundener Mitarbeiter auf dem Flyer fällt darunter, eine erkennbare Skizze oder ein Comic-Stil nicht. Firefly hängt Content Credentials nach dem C2PA-Standard automatisch an, ChatGPT ebenfalls, Google setzt bei Gemini das unsichtbare Wasserzeichen SynthID. Lokal betriebenes Stable Diffusion signiert nichts, dort muss das Unternehmen selbst kennzeichnen. Das Wettbewerbsrecht bleibt daneben bestehen. Ein Vorher-Nachher-Bild, das eine nie ausgeführte Sanierung als eigene Referenz zeigt, ist nach § 5 UWG irreführend, mit oder ohne KI-Hinweis.
Urheberrecht am fertigen Bild entsteht dagegen nicht. § 2 UrhG schützt nur persönliche geistige Schöpfungen. Das Amtsgericht München hat im Februar 2026 drei per KI erzeugten Logos den Schutz verweigert (Urteil 142 C 9786/25). Die Auswahl aus mehreren Vorschlägen und ausführliche Prompts seien kein gestalterischer Einfluss auf das konkrete Werk. Wettbewerber dürfen ein rein generiertes Motiv also kopieren. Wer sein Logo schützen will, meldet es als Marke an. Die Gegenrichtung, das Training auf fremden Fotos, ist in Deutschland noch nicht abschließend entschieden. Das OLG Hamburg hat im Dezember 2025 die Berufung des Fotografen Robert Kneschke gegen den Datensatz-Verein LAION zurückgewiesen, dessen Klage schon das Landgericht abgewiesen hatte. Das Sammeln der Bilder sei Text-und-Data-Mining nach § 44b UrhG, und ein Nutzungsvorbehalt in normaler Sprache sei 2021 nicht maschinenlesbar gewesen. Der Bundesgerichtshof hat am 3. September 2026 verhandelt und laut Bericht der ProfiFoto eine Vorlage an den Europäischen Gerichtshof erwogen.
Die Fehler der Technik bleiben im Handwerksmotiv dieselben wie überall. Das BSI nennt in seiner Anleitung zum Erkennen von KI-Bildern die Anzahl und Anordnung der Finger, unleserlichen Text, Fluchtlinien, die sich in verschiedenen Punkten schneiden, und Muster mit abrupt unterbrochenen Verläufen. Fliesenfugen, Dachziegelreihen und Zaunlatten sind solche Muster, ein Firmenschild im Hintergrund solcher Text. Wer ein Bild vor der Veröffentlichung auf diese Punkte prüft, findet die meisten Ausrutscher. Im Handwerk ist die Technik noch wenig verbreitet. Laut der Bitkom-Studie zur Digitalisierung des Handwerks vom Januar 2026 nutzen 4 Prozent der befragten Betriebe KI, 9 Prozent planen den Einsatz.
