Kurs für KI-Bildgenerierung

Lektion 1 • Grundlegende generative Modelltypen

Bietet einen Überblick über GANs, VAEs und Diffusionsmodelle auf konzeptioneller Ebene. Hilft Lernenden, Modelltypen geeigneten Anwendungsfällen zuzuordnen.

Lektion 2 • Ethische und rechtliche Rahmenbedingungen

Führt in Urheberrecht, Einwilligung und Verzerrungsrisiken ein, die spezifisch für KI-Bilder sind. Verankert verantwortungsvolle Praxis als berufliche Grundlage.

Lektion 3 • Geschichte der generativen visuellen KI

Zeichnet die Entwicklung von früher neuronaler Kunst bis zu modernen Diffusionsmodellen nach. Bietet Kontext zum Verständnis aktueller Fähigkeiten und Grenzen.

Lektion 4 • Wie Modelle visuelle Muster lernen

Erklärt Trainingsdaten, Verlustfunktionen und iteratives Lernen in einfachen Worten. Verbindet das Modellverhalten mit den Daten, auf denen es trainiert wurde.

Lektion 1 • Herunterladen und Verwalten von Modellen

Behandelt Modellrepositorien, Dateiformate und die lokale Speicherorganisation. Verhindert häufige Fehler durch nicht übereinstimmende oder beschädigte Modelldateien.

Lektion 2 • Auswahl einer Generierungsplattform

Vergleicht webbasierte Schnittstellen, Desktop-Anwendungen und codebasierte Pipelines. Führt Lernende zur Plattform, die zu ihrem Arbeitsablauf passt.

Lektion 3 • Durchführung Ihrer ersten Generierung

Führt eine grundlegende Text-zu-Bild-Generierung mit Standardeinstellungen aus. Bestätigt, dass die Umgebung funktioniert, und führt die Rückmeldungsschleife der Generierung ein.

Lektion 4 • Hardware- und Cloud-Anforderungen

Umreißt GPU-, RAM- und Speicheranforderungen für lokale Setups und Cloud-Alternativen. Ermöglicht fundierte Entscheidungen über Infrastrukturinvestitionen.

Lektion 1 • Iterative Prompt-Verfeinerung

Etabliert einen systematischen Test-und-Überarbeitungs-Workflow zur Prompt-Verbesserung. Baut diagnostische Fähigkeiten auf, um zu erkennen, warum Ausgaben von der Absicht abweichen.

Lektion 2 • Positives und negatives Prompting

Lehrt, wie man gewünschte Elemente spezifiziert und unerwünschte explizit ausschließt. Reduziert Artefakte und nicht zielgerichteten Inhalt in den Ausgaben.

Lektion 3 • Prompt-Gewichtung und Syntax

Führt Token-Gewichtung, Attention-Syntax und Schlüsselwort-Reihenfolge ein. Gibt präzise Kontrolle darüber, welche Elemente die Komposition dominieren.

Lektion 4 • Anatomie eines effektiven Prompts

Zerlegt Motiv, Stil, Malmittel, Beleuchtung und Stimmung als Prompt-Komponenten. Zeigt, wie jedes Element die Modellausgabe steuert.

Lektion 1 • Auflösung und Seitenverhältnis

Behandelt native Auflösungsgrenzen, Auswirkungen des Seitenverhältnisses und Kachelstrategien. Verhindert häufige Verzerrungsartefakte durch falsche Auflösungseinstellungen.

Lektion 2 • Stapelgenerierung und Variation

Verwendet Stapelgröße und Seed-Variation, um den Ausgaberaum effizient zu erkunden. Unterstützt schnelle Konzepterkundung und Auswahl-Workflows.

Lektion 3 • Parameter-Presets und -Profile

Organisiert häufig verwendete Parameterkombinationen in wiederverwendbaren Presets. Beschleunigt Produktionsabläufe und gewährleistet Konsistenz über Sitzungen hinweg.

Lektion 4 • Schritte, CFG-Skala und Seed

Erklärt, wie Inferenzschritte, classifier-free guidance und Seeds interagieren. Bietet ein mentales Modell für reproduzierbare und variierte Ergebnisse.

Lektion 1 • Inpainting-Workflow

Behandelt Maskenerstellung, Füllmodi und Prompt-Abgleich für Inpainting. Ermöglicht gezielte Bearbeitungen, ohne das gesamte Bild neu zu generieren.

Lektion 2 • Grundlagen der Bild-zu-Bild-Generierung

Führt die Entrauschungsstärke ein und wie Eingabebilder die Generierung lenken. Etabliert den konzeptionellen Unterschied zwischen txt2img- und img2img-Workflows.

Lektion 3 • Outpainting und Leinwanderweiterung

Erweitert Bildgrenzen mithilfe von Outpainting, um Szenen oder Kompositionen zu vergrößern. Lehrt Überlappungs- und Prompt-Strategien für nahtlose Kantenübergänge.

Lektion 4 • Stiltransfer via Img2Img

Wendet neue künstlerische Stile auf bestehende Bilder an, während die Struktur erhalten bleibt. Verbindet img2img-Parameter mit kontrollierter stilistischer Transformation.

Lektion 1 • Kombinieren mehrerer ControlNets

Stapelt Konditionierungseingaben, um Pose, Tiefe und Kanten gleichzeitig zu steuern. Lehrt die Gewichtungsbalance, um widersprüchliche Steuersignale zu verhindern.

Lektion 2 • Tiefen- und Normalen-Konditionierung

Extrahiert Tiefen- und Normalenkarten, um räumliche 3D-Beziehungen zu bewahren. Erhält die Szenengeometrie bei der Umstilisierung oder Transformation von Bildern.

Lektion 3 • Kanten- und Linienkonditionierung

Verwendet Canny-, MLSD- und Lineart-Präprozessoren, um die Komposition anhand von Kanten zu lenken. Ermöglicht präzise Layoutkontrolle aus Skizzen oder bestehenden Bildern.

Lektion 4 • Überblick über die ControlNet-Architektur

Erklärt, wie ControlNet an ein Basismodell angebunden wird, um räumliche Führung zu injizieren. Bietet die konzeptionelle Grundlage für alle Konditionierungs-Workflows.

Lektion 1 • Textual-Inversion-Embeddings

Trainiert ein neues Token, um ein Konzept mit einem kleinen Bildsatz zu repräsentieren. Erzeugt leichte, portable Embeddings zur Stil- oder Motiv-Injektion.

Lektion 2 • LoRA-Training und -Anwendung

Trainiert Low-Rank-Adaption-Layer, um Stile oder Charaktere effizient zu erfassen. LoRAs sind das praktischste Feinabstimmungsformat für die meisten Workflows.

Lektion 3 • Datensatzvorbereitung und Captioning

Behandelt Bildauswahl, Auflösungsstandardisierung und automatische Captioning-Werkzeuge. Hochwertige Datensätze sind der größte Einzelfaktor für den Trainingserfolg.

Lektion 4 • Dreambooth-Vollmodell-Training

Führt vollständiges Dreambooth-Feinabstimmen für tiefgreifende Motiv- oder Stileinbettung durch. Behandelt den Prior-Preservation-Loss, um die allgemeine Modellfähigkeit zu erhalten.

Lektion 1 • Entwerfen einer wiederholbaren Pipeline

Bildet den gesamten Generierungsprozess vom Briefing bis zum endgültigen Asset mithilfe strukturierter Phasen ab. Reduziert Nacharbeit durch Standardisierung von Entscheidungen in jedem Pipeline-Schritt.

Lektion 2 • Integration der Nachbearbeitung

Integriert KI-Ausgaben mit rasterbasierten Bearbeitungswerkzeugen für den letzten Schliff und die Korrektur. Überbrückt die Lücke zwischen Generierung und bereitstellungsreifen Assets.

Lektion 3 • Kriterien zur Qualitätsbewertung

Definiert objektive und subjektive Qualitätsmetriken für KI-generierte Bilder. Ermöglicht eine konsistente Bewertung über Teammitglieder und Projekte hinweg.

Lektion 4 • Versionskontrolle und Asset-Management

Organisiert Prompts, Seeds, Modelle und Ausgaben für Nachverfolgbarkeit und Wiederverwendung. Verhindert den Verlust erfolgreicher Konfigurationen und unterstützt die Teamzusammenarbeit.