Stilerhaltung bei Image to Prompt: Was wir geändert haben und warum

Ein originalgetreues Motiv im falschen Stil

Die Rückmeldungen waren konsistent. Jemand lädt eine Referenz hoch, erhält einen Prompt, führt ihn aus, und das Ergebnis ist erkennbar dieselbe Szene – gleiches Motiv, gleicher Bildausschnitt, ungefähr gleiches Licht –, sieht aber nicht wie das eigene Bild aus. Die Textur ist sauberer. Die Farbe ist satter. Irgendetwas wurde geglättet.

Dieses Muster ist ein Hinweis. Wenn Motiv und Komposition erhalten bleiben, Oberfläche und Finish aber nicht, dann beschreibt der Prompt, was im Bild zu sehen ist, statt wie das Bild gemacht wurde. Das sind unterschiedliche Aufgaben, und bei der zweiten geht viel leichter etwas schief.

Stil war ein Punkt unter neun

Unsere Anweisung an das Vision-Modell forderte früher, „Motiv, Schauplatz, Komposition, Objektiv oder Blickwinkel, Beleuchtung, Palette, Materialien, Stimmung und Stil“ zu erfassen. Das liest sich wie eine gründliche Checkliste. In der Praxis ist es eine Methode, um sicherzustellen, dass Stil nur ein Neuntel der Aufmerksamkeit erhält.

Eine flache Liste lädt zu gleichmäßiger Abdeckung ein. Aber Stil ist nicht ein Attribut unter neun – er entscheidet, wie die anderen acht dargestellt werden. Zufällig ist er auch am schwersten in Worte zu fassen, was ihn zu dem Punkt macht, der am meisten zusätzliche Führung braucht – und auf einer solchen Liste zu dem Punkt, der am wenigsten davon bekommt.

Geben Sie dem Stil ein Vokabular, kein Adjektiv

Bittet man ein Sprachmodell, Stil zu beschreiben, ohne ihm zu sagen, woraus Stil besteht, greift es zu den Wörtern, die dem Konzept am nächsten liegen: „digitale Kunst“, „hochdetailliert“, „filmisch“. Das sind keine Beschreibungen. Sie enthalten fast keine Information über das konkrete Bild vor ihm.

Schlimmer noch: Sie hinterlassen eine Lücke, und das nachgelagerte Bildmodell füllt diese Lücke mit seiner eigenen Standardästhetik – genau das, was Sie eigentlich überschreiben wollten. Die Lösung besteht darin, die Achsen zu benennen, in die sich Stil tatsächlich zerlegen lässt, damit das Modell etwas Konkretes hat, worauf es sich stützen kann.

• Medium und Technik: 35-mm-Filmfotografie, Gouache, 3D-Rendering, flacher Vektor, Tuschezeichnung.
• Epoche oder Stilrichtung, die oft mehr Information trägt als jedes einzelne Adjektiv.
• Kameracharakter: das Gefühl der Brennweite, Schärfentiefe, Filmmaterial oder die imitierte Render-Engine.
• Strichführung: Linienstärke, Pinselverhalten, Kantenqualität, wie Oberflächen aufeinandertreffen.
• Farbgrading und -temperatur, getrennt betrachtet davon, welche Farben vorkommen.
• Korn, Textur und Oberflächen-Finish.
• Nachbearbeitung: Halation, chromatische Aberration, Rasterpunkte, Cel-Shading, starke Kompression.

Werten Sie die Referenz niemals auf

Dieser Punkt hat uns überrascht, wie sehr er zählte. Jedes Modell in der Pipeline – das, welches das Bild liest, und das, welches aus dem Prompt generiert – hat einen Verbesserungs-Bias. Gibt man ihm etwas Flaches, Unterbelichtetes, billig Beleuchtetes oder Komprimiertes, liefert es im Stillen eine bessere Version zurück.

Aber Unvollkommenheit ist ein Stil. Ein Partyfoto mit direktem Blitz, ein überstrahlter Handy-Schnappschuss, ein niedrig aufgelöster Scan mit sichtbarem Banding: Diese Eigenschaften sind meist der ganze Grund, warum jemand das Bild überhaupt gespeichert hat. Deshalb sagt die Anweisung es jetzt unverblümt – wenn das Bild amateurhaft, flach, von geringer Bildtreue oder unvollkommen ist, sagen Sie das klar und erhalten Sie es.

Wenn Sie Prompts von Hand schreiben, ist das die einfachste Verbesserung, die Ihnen zur Verfügung steht. Beschreiben Sie die Mängel absichtlich.

Leere Qualitätswörter sind nicht kostenlos

„Wunderschön“, „atemberaubend“, „Meisterwerk“, „hochdetailliert“, „8k“, „preisgekrönt“. Das fühlt sich harmlos an, wie das Aufdrehen eines Lautstärkereglers. Ist es aber nicht. Ein Prompt hat ein begrenztes Aufmerksamkeitsbudget, und jedes Füllwort nimmt davon einen Anteil von den Begriffen weg, die Ihr Bild tatsächlich beschreiben.

Sie ziehen außerdem zum Durchschnitt hin. „Preisgekrönt“ hat keine visuelle Bedeutung, also löst das Modell es in das auf, was es als Aussehen preisgekrönter Bilder gelernt hat – eine starke, generische Ästhetik, die von Ihrer Referenz wegweist. Unsere Anweisung verbietet die Liste jetzt ausdrücklich.

Identifizieren Sie den Stil, bevor Sie den Prompt schreiben

Wenn man Analyse und Ausgabe in einem einzigen Schritt verlangt, behandelt das Modell Stil als einen Adjektiv-Platzhalter, den es mit dem füllt, was gerade in der Nähe liegt. Die Anweisung läuft jetzt in zwei Stufen ab. Bevor überhaupt etwas geschrieben wird, identifiziert das Modell Medium und Herstellungstechnik und beantwortet dann eine spezifische Frage.

Diesen Unterschied zu benennen, ist die ganze Aufgabe. Sobald er benannt ist, wird der Prompt mit Medium und Stil vorangestellt geschrieben, noch vor dem Motiv – weil genau dort jedes Zielmodell sie am stärksten gewichtet.

Jedes Modell liest einen Prompt anders

Unsere früheren modellspezifischen Anweisungen justierten den Tonfall. Midjourney-Prompts sollten „stimmungsvoll“ sein, GPT-Image-Prompts „direkt und wörtlich“. Das ist ein stilistisches Register, und es entscheidet nicht darüber, ob ein Stil erhalten bleibt.

Was darüber entscheidet, ist der Textencoder, den das Modell verwendet, an welcher Stelle im Prompt die Stilbegriffe stehen, und welche nativen Steuerungsmöglichkeiten das Modell bietet. Das sind konkrete Faktoren, und sie unterscheiden sich mehr, als die meisten Prompt-Guides zugeben.

• Nano Banana und GPT Image lesen natürlichsprachlichen Fließtext. Nennen Sie das Medium im einleitenden Satzteil, vor dem Motiv.
• Flux verwendet einen T5-Encoder, kommt gut mit langen Sätzen zurecht und ignoriert Gewichtungssyntax wie (term:1.2) vollständig – Betonung muss aus Wortwahl und Wortstellung kommen.
• Midjourney gewichtet den Anfang des Prompts stark, bevorzugt dichte, kommagetrennte Phrasen und versteht keine als Fließtext geschriebene Verneinung.
• Stable Diffusion liest CLIP-Tokens in 77-Token-Blöcken und gewichtet jeweils deren Anfang stärker, weshalb Medium- und Stil-Tags zuerst statt zuletzt gehören.

Midjourney hat einen Parameter, der gegen Ihre Beschreibung arbeitet

Das ist der nützlichste Punkt in diesem Artikel, und es ist überhaupt keine Prompt-Schreibtechnik. Midjourney legt über Ihren Prompt seine eigene Ästhetik, gesteuert durch --stylize, das standardmäßig auf 100 steht. Bei dieser Einstellung wird das Modell aktiv dazu ermuntert, das Bild wie Midjourney aussehen zu lassen statt wie das, worum Sie gebeten haben.

Wenn Sie also eine Referenz konvertieren und die Ausgabe immer wieder polierter, filmischer und stärker künstlerisch inszeniert zurückkommt als Ihre Quelle, wird keine noch so ausführliche Beschreibung das beheben. Der Parameter ist es, der Sie überschreibt.

Jeder Midjourney-Prompt, den wir jetzt generieren, endet mit --style raw, was diese Hausästhetik deaktiviert, und einem niedrigen --stylize von etwa 50. Ausschlüsse werden mit --no statt im Fließtext ausgedrückt, weil sprachliche Verneinung hier nicht funktioniert.

Bei Stable Diffusion ist die Hälfte des Prompts der negative Teil

Stable-Diffusion-Nutzerinnen und -Nutzer erwarten zwei Blöcke: den Prompt und den Negative Prompt. Stiltreue hängt stark vom zweiten ab, denn dort unterdrücken Sie die Standard-Ästhetik-Abweichung, die das Modell sonst anwenden würde.

Wir generierten bisher nur den ersten Block, was nur die Hälfte eines vollständigen Ergebnisses ist. Generierte Stable-Diffusion-Prompts beginnen jetzt mit Medium- und Stil-Tags, wenden die Gewichtung (term:1.2) sparsam auf die ein oder zwei Tags an, die den Look definieren, und enthalten einen Negative Prompt, der für dieses konkrete Bild geschrieben ist, statt einer kopierten Standardliste.

Wenn Ausgabeformat und Zielmodell nicht übereinstimmen

Das Tool lässt Sie ein Ausgabeformat wählen – einen allgemeinen Prompt, einen strukturierten Bauplan, JSON – und separat ein Zielmodell auswählen. Diese beiden Entscheidungen können sich widersprechen. „Nur gültiges JSON zurückgeben“ und „kommagetrennte Tags schreiben, die mit Parametern enden“ können nicht gleichzeitig erfüllt werden.

Früher haben wir beide Anweisungen übergeben und das Modell entscheiden lassen. Es hat entschieden – aber bei verschiedenen Durchläufen unterschiedlich. Diese Inkonsistenz ist als Bug unsichtbar und als Erfahrung sehr sichtbar: Dasselbe Bild mit denselben Einstellungen erzeugt Prompts von merklich unterschiedlichem Charakter, was sich anfühlt, als ginge der Stil zufällig verloren.

Die Rangfolge ist jetzt explizit. Freiform-Formate übergeben die gesamte Ausgabe an das Zielmodell und wenden dessen Syntax und Parameter vollständig an. Strukturierte Formate besitzen ihre eigene Form, sodass das Zielmodell nur Vokabular beisteuert und keine Parameter ausgibt.

Ein Bild zu lesen ist Transkription, keine Komposition

Eine kleine Änderung mit überproportionaler Wirkung: Wir haben die Sampling-Temperatur für die Tools gesenkt, die ein Bild lesen. Einen Prompt aus einer groben Idee zu schreiben ist ein kreativer Akt und profitiert von etwas Freiheit. Eine Referenz zu lesen ist eher Transkription, und jeder Freiheitsgrad dort ist ein Grad an Abweichung von dem, was tatsächlich im Bild zu sehen ist.

Text to Prompt behielt seinen Spielraum. Image to Prompt und der Describer wurden merklich wörtlicher.

Was Sie daraus mitnehmen können

Die meisten dieser Änderungen können Sie von Hand anwenden, unabhängig davon, welches Tool Sie gerade verwenden.

• Nennen Sie in jedem Prompt zuerst das Medium, vor dem Motiv.
• Beschreiben Sie Unvollkommenheiten absichtlich, denn Modelle entfernen sie, wenn man ihnen nicht sagt, es nicht zu tun.
• Streichen Sie Qualitäts-Füllwörter; sie kosten Aufmerksamkeit und ziehen zum Durchschnitt hin.
• Greifen Sie bei Midjourney zu --style raw und einem niedrigen --stylize, bevor Sie den Prompt noch einmal umschreiben.
• Behandeln Sie bei Stable Diffusion den Negative Prompt als die Hälfte der Arbeit.
• Stellen Sie zuerst die identifizierende Frage: Was lässt dieses Bild wie sich selbst aussehen?