[KI] KIs für die Bilderstellung

Ich hab ja oben schon einige erwähnt aber nochmal in der Übersicht:

Leonardo: Kann sehr viel verschiedene Dinge und Styles gut, von photorealistisch über CGI bis zu abstarkt. Man bekommt 150 Credits kostenlos pro Tag was für einiges an Bildern reicht. Es gibt verschiedene Modelle zur Auswahl und man kann Referenzbilder hochladen als Ergänzung zum Prompt und einige LORAs anwenden. Wenn man aboniert kann man sogar personalisierte Modelle trainieren. Es bietet auch eine Inpainting Funktion, Upscaling und seit neustem auch eine Video Funktion. (Die scheint mmn aber noch sehr ausbaufähig zu sein) Nutze da sehr gerne das Portrait Perfect oder Cinematic Kino Modell. Das Leonardo Phoenix ist ihr neustes Modell, damit hatte ich allerdings bisher nicht so tolle Ergebnisse. Die Kreativität ist auch ganz gut, was beduetet das man auch wenn der Prompt nicht sehr ausführlich oder eher abstrakt ist gute Ergebnisse bekommt.

Flux: Der King was prompt adherence angeht. Kann sehr sehr realistische Bilder/Fotos erstellen. Nachteil ist das es ein distilled Modell ist, was bedeutet das es so gut wie unmöglich ist finetunes zu erstellen oder LORAs anzuwenden, genauso wenig wie Image Referencen möglich sind. Damit FLuc was tolles macht braucht es meist einen wirklich langen Prompt der sehr ins Detail geht. Kreativität ist hier eher gar nicht angesagt, das Modell macht das was im Prompt steht und wenn es da nicht steht macht es einfach nichts. Während also z.B. Leonardo wenn man einen Wikinger bestellt auf die Idee kommt den in einen Wald oder auf ein Schiff zu stellen wird ihn Flux, wenn man ihm ncihts anderes sagt, vor eine weiße Wand stellen. Flux ist über verschiedene WEB UIs verfügbar, es gibt vom Entwickler selbst eine Demo auf HuggingFaces. Ansonsten kann ich noch Moescape oder rubbrband empfehlen um mit Flux zu generieren. Erwähnenswert ist das Flux sehr gut Schrift kann was viele andere Modelle so gar nicht können.

Moescape: Kommen wir dann auch zum eben erwähnten moescape. Das Ding sieht erstmal sehr merkwürdig aus, weil sie sich auf Anime spezialisieren wollen. Allerdings kann man hier trotzdem auch anderes generieren und das sogar sehr gut. Erstmal gibt es hier mit 100 Free Credits pro Tag einiges zum ausprobieren kostenlos. Dazu hat man die Wahl aus sehr vielen verschiedenen Stable Diffusion und Stable Diffusion XL Modellen sowie oben erwähnt auch Flux[Dev] und Flux[schnell]. Wegen dem Fokus der Platform gibt es hier ungefähr 200+ SD Modelle die gut für Anime geeignet sind in den verschiedensten Stilen. Es gibt aber auch genug die für anderes taugen bzw. für realistische Bilder geeignet sind. Meine empfehlungen dafür wären: Absolute Reality, epiC Photogasm++, epiC Realism und PicX Real. Was besonders an moescape ist, ist das es sehr viele Möglichkeiten der Einstellung bietet. Neben Format/Größe kann man auch direkt upscalen, verschiedene Sampler zu jedem Modell wählen, eine riseige Zahl an LORAs dazu packen und kombinieren sowie Controlnet mit verschiedenen Presets anwenden und gleichzeitig auch noch eine Image Reference verwenden. Die Kreativität liegt hier am Modell, bei Flux eher gar nicht vorhanden, bei den SD Modellen durchaus gut. (Die Beispiele sind mit SD Modellen generiert und auch mal ein Anime Bild weil das eben ihre Spezialität ist Flux ist das gleiche wie oben nur eben anderes UI)

Kling: Ich habs ja weiter oben im Thread schon gezeigt was Kling so kann. Kling ist hauptsächlich für Videos bekannt aber es gibt auf der Seite auch einen Bildgenerator. Man bekommt auch täglich free Credits und die Bildgenerierung ist sehr günstig so das man wirklich viel generieren kann. Die Promptadherence ist ziemlich gut, aber gleichzeitig gibt es auch Kreativität bei eher unspezifischen Prompts. Man kann nicht sonderlich viel wählen an Optionen aber es gibt die Möglichkeit einer Imagereference. Eine Eigenheit von Kling ist es Personen dazu zu erfinden. Wenn man ein Bild mit 2 Personen beschreibt kommt häufig was mit 3, 4 oder mehr Personen raus. Merkwürdigerweise passiert das sogar mit einem Referenz Bild. Soweit ich es weiß und vom Style von dem was raus kommt beurteilen kann scheinen die auch ein eigenes Modell zu haben und nicht nur ein fremdes anzubieten.

PlaygroundAI: Das ist eine komische Sache, über den Link hier kommt ihr noch zum alten Playground. Das ist eine Platform die ähnlich wie Moecape ein WebUI für Stable Diffusion Modelle bietet und auch recht viele Optionen hat. Wenn man allerdings auf https://playground.com/ geht, kommt man zu dem neuen Design Interface. Das ist ein ziemlich eigener Ansatz bei dem man ein schon bestehendes Bild wählt und dann per Prompt Veränderungen daran machen kann. Dafür scheinen sie auch ein eigenes Modell zu verwenden, denn das Model das in dem Design Interface verwendet wird kann ganz gut Schrift/Text, während die Modelle im Create Playground das so gar nicht können. Ich habe das alte Playground immer gerne genutzt, man kann/konnte dort auch recht viel for free generieren und hat einige sehr coole finetunes. (Das Black&White 3D ist absolut großartig imho) Ein interessantes Feature ist das man Bilder in die Promptzeile ziehen kann und so einen Prompt erstellt der das Bild beschreibt. Das ist großartig um einen Prompt zu bekommen wenn man was mit Flux machen möchte und möglichst nah an einer Vorlage bleiben will. (Da Flux ja keine Image Referenz kann) (Bilder mit speziell dort verfügbaren Modellen, es geht auch ähnliches wie oben bei Moescape gezeigt mit Modellen wie JuggernautXL)

Dall-E 3: Ist über Chat GPT integriert verfügbar oder über den Microsoft Copilot. Es gibt auch einige kostenlose Nutzungen pro Tag. Dadurch das Chat GPT multiodal ist, ist die Bedienung und das Prompting hier recht einmalig, da man direkt am Ergebnis weiter arbeiten und veränderungen vornehmen kann während man bei anderen Image AIs immer nur den gleichen Prompt nochmal nehmen kann und leichte veränderungen im Prompt geben. Die Ergebnisse sind oft auch sehr gut und es kann Text einigermaßen. Was es gar nicht gut kann ist photorealistische Menschen. Soweit ich weiß ist dies allerdings eine künstliche Beschränkung die von Open AI / MS eingebaut wurde. Es ist sehr gut für Logo Designs, hat eine hohe kreativität und kann mit den richtigen Prompts durchaus auch sehr realistisch aussehen.

Viele Mögen ja auch Midjourney sehr gerne, ich fand allerdings die Implementierung des UIs über Discord eine Katastrophe, wenn die mal ein ordentliches Web UI haben guck ichs mir nochmal an. Die Qualität der Bilder ist sehr gut und es ist mit eins der stärksten Allround Modelle, aber wie gesagt die Bedienung ist imho eine Zumutung.

Dall-E 3, also über Chat GPT oder Copilot. Du kannst es auch mit Flux probieren da das auch ganz gut Schrift kann, da würde ich mir aber vorher einen sehr präzisen Prompt von einem Textmodell machen lassen. Kannst zum Beispiel das Logo in ChatGPT machen und ihn dann bitten dir den verwendeten Prompt vollständig anzuzeigen und den dann in Flux werfen.

Was auch noch gut geht ist der Design Modus von Playground, da müsstest du erstmal in den Vorlagen von dort suchen bis du etwas findest von dem dir einzelne Teile oder der Style gefällt und kannst es dann mit Prompts anpassen. Dabei kann man auch in mehreren Schritten arbeiten, z.B. erstmal den Text anpassen und dann weitere Elemente.

Hier mal ein Beispiel:

Basis Vorlage

Erste Änderung: Text anpassen:

Zweite Änderung: Motorad und Fahrer gegen Brettspiele austauschen:

Dritte Änderung: Farben zu Grün und Lila ändern

Letzte Anpassung: Hintergrund schwarz machen:

Es gibt noch so ein anderes Tool das auf Text spezialisiert war, aber da fällt mir grad der Name nicht mehr ein.

Zitat von s3chaos

IamSalvation
welche Bild Ki würdest du empfehlen für die Darstellung von Vampiren. Aussehen von Menschenähnlich bis zu Fratzen.
Dall-E kann es gar nicht. Midjourne geht mit händischer Nachbearbeitung. Wichtig wäre mir das man eigene Gesichter hochladen kann.

Leonardo, Moescape und Kling sollten gehen. Was Gesichter angeht kannst du auch erstmal ohne bestimmtes Gesicht generieren und anschließend einen Faceswapper nutzen, macht das ganze oft einfacher weil sonst oft zu viel vom Vorlagebild genutzt wird (Hintergrund etc.)

Hier mal ein guter "Add-on Prompt" den man hinter das hängen kann was man eigentlich möchte um die Qualität zu verbesser:

Zitat

Cinematic shot, high-end photography, dark atmospheric scene, volumetric lighting, high contrast, professional lighting, sharp details, moody atmosphere, subtle lens flares, dark shadows, glossy surfaces, ultra realistic textures, high production value, high-end post-production, crisp details, atmospheric haze, deep blacks, ray tracing quality lighting, backlit silhouettes, micro details,

Sollte zum Vampirthema passen, wenn man was anderes machen möchte evtl. die spezifischeren Sachen wie "dark atmospheric scene" und "moody atmosphere" gegen passenderes austauschen.

Und weil ich grade Zeit hatte mal mit Kling ein Beispiel für mit "add on Prompt" und ohne. Prompt in beiden fällen einfach nur "a realistic dark Vampire with animalistic face " bei dem zweiten eben mit dem Add on.

Ohne:

Mit

Podcastgast Zum Bias kann ich ehrlich gesagt nichts sagen, bisher ist mir da nicht viel aufgefallen. Flux ist recht extrem was "Beauty Bias" angeht. Es ist so gut wie unmöglich damit "hässliche Menschen" zu erstellen bzw. muss man sehr hart drauf prompten etwas zu bekommen das von üblichen Schönheitsidealen abweicht. Teilweise liegt das aber eben auch an den Trainingsdaten die genutzt wurden und verfügbar sind. Bei einem Model wie Stablediffusion ist sowas grundsätzlich kein Problem da sich recht einfach Finetunes erstellen lassen als neues Modell oder LORAs auf jedes Modell aufgesetzt werden können, bei einem distilled Model wie Flux kann man da so gut wie nix mehr dran machen.

Wie oben geschrieben, vor einem Jahr war Midjourney noch absolute einsame Spitze ohne Konkurrenz. Inzwischen haben aber die alten Wettbewerber aufgeholt und es kamen neue dazu.

Wobei MJ natürlich auch nicht schlechter geworden ist, so ist es ja nicht.

Style halten können die meisten wenn man immer den gleichen Styleguide im Prompt anhängt.

Als Beispiel mal angehängt ein paar aus einer großen Serie die ich mit Kling für ein Video gemacht habe.

Generell würde mich übrigens auch Interessieren wie eure Eindrücke von den Beispielen oben sind, gibts da welche wo ihr sagt "boar geht ja gar nicht" oder welche wo ihr sagt "wow echt cool"?

Zitat von s3chaos

bei den letzten Bildern merkt man das sie aus einer Serie sind, aber um etwas näher zu den Bildern zu sagen müsste man wissen was du mitdem jeweiligen Bild aussagen willst.

Es ging bei denen nur darum zu zeigen das andere AIs als MJ durchaus sehr gut Bilder machen können die aussehen als würden sie zusamemn gehören, z.B. für ein Brettspiel wo alles im gleichen Style sein soll.

Zitat von s3chaos

Zu den beiden Vampiren, sie sehen natürlich gut aus bis auf die Zähne. Das könnte man natürlich mittel Photoshop selbst im nachhinein ändern.
Was ich aber brauchen würde in naher Zukunft. Ich will einen Vampir Roman illustrieren. So auf die Art wie die illustrierte Sonderausgabe von Sakrieleg Dan Brown.
Habe mich aber noch nicht großartig mit einer Bild Ki befasst und kommer auf die Ergebnisse mehr oder weniger zufällig.

Die waren nur ein recht einfacher Prompt, über die Zähne und wie sie aussehen sollten stad da nix drin. Mit einem Prompt in dem du genau genug beschreibst wie die Zähne denn sein sollten bekommt man das auch ohne Nachbearbeitung ganz gut hin.

Ja das ist manchmal schwer, generell sowas wie Full Body Shot, Panorama Shot (wobei es da dann auch zu weit weg sein kann), bei Modellen die Controlnet haben kannst du auch ein Foto nehmen und in Controlnet nur die Struktur des Bildes übernehmen.

Zitat von Rednax

Zitat von IamSalvation

Dall-E 3, also über Chat GPT oder Copilot. Du kannst es auch mit Flux probieren da das auch ganz gut Schrift kann, da würde ich mir aber vorher einen sehr präzisen Prompt von einem Textmodell machen lassen. Kannst zum Beispiel das Logo in ChatGPT machen und ihn dann bitten dir den verwendeten Prompt vollständig anzuzeigen und den dann in Flux werfen.

Was auch noch gut geht ist der Design Modus von Playground, da müsstest du erstmal in den Vorlagen von dort suchen bis du etwas findest von dem dir einzelne Teile oder der Style gefällt und kannst es dann mit Prompts anpassen. Dabei kann man auch in mehreren Schritten arbeiten, z.B. erstmal den Text anpassen und dann weitere Elemente.

Hier mal ein Beispiel:

Basis Vorlage

Erste Änderung: Text anpassen:

Zweite Änderung: Motorad und Fahrer gegen Brettspiele austauschen:

Dritte Änderung: Farben zu Grün und Lila ändern

Letzte Anpassung: Hintergrund schwarz machen:

Es gibt noch so ein anderes Tool das auf Text spezialisiert war, aber da fällt mir grad der Name nicht mehr ein.

Alles anzeigen

Ich habe mal kurz damit rumgespielt, bei mir klappt das mit der Textersetzung aber nicht besonders gut: Zum einen wird mein neuer Text nicht immer korrekt eingefügt, dann lasse ich was anderes ändern und er ändert gleichzeitig den Text oder andere Teile des Bilds, die eigentlich keinen Bezug zur Änderung haben sollten.

Warum werden solche Generatoren nicht mit einem "echten" Texteditior kombiniert? Klar kann man auch händisch machen, aber technisch sollte das ja erstmal kein großes Problem sein. Und man müsste der KI nicht "beibringen" vernünftig mit Text umgehen zu können

Alles anzeigen

Ja, an dieser Playground umsetzung ist einiges etwas halb gar - das kam irgendwie auch über Nacht ohne Ankündigung auf einmal.

Wenn das Teil was du Ändern willst mehrere Schriftsätze hat kann es helfen wenn du "replace Big Text" oder small Text noch in einzelnen Schritten machst. Und je mehr Text es ist, desto schlechter wird es, einzelne Worte gehen noch recht zuverlässig, ein Satz so 50:50 alles darüber... besser selbst später mit Bildbearbeitung machen.

Da wären wir dann auch bei einer tollen Überleitung: KI generierung kombiniert mit klassischem Editing gibts ja bei Adobe Firefly. Vielleicht mag Podcastgast dazu noch etwas mehr sagen, mit Firefly konnte ich bisher noch gar nicht Arbeiten mangels einer Adobe Lizenz. Von dem was ich gesehen habe sah das ja auch schon recht früh ziemlich gut aus grad was Inpainting anging.

Bezüglich Logos mit Schrift hab ich grad selbst für meinen AI Musik Chanel ein neues Bandlogo gemacht und diesmal Flux ausprobiert.

Hat mir auf anhieb wirklich gut gefallen.

Zitat

Prompt: A text logo for the band 'Osthain' in a classic Neofolk style. The text should be rustic yet elegant, with Gothic or Nordic influences. The letters are sharp and slightly weathered, incorporating natural elements like branches, leaves, or roots, subtly intertwined with the text. The logo is monochromatic, with a minimalistic but traditional look, evoking themes of nature, heritage, and mysticism.

Ja, das ist in der Tat oft schwieirg, besonders bei der Beschreibung mehrerer Menschen. Normal nimmt man Kommas. Klammern werden bei sTable Diffusion z.B. verwendet um einen teil des Prompts zu betonen und können auch mehrfach gesetzt werden. Da könntest du zu Beispiel dann ((((Male with Black Hair)))) machen wenn das besonders wichtig im Prompt ist.

Oft hilft es auch die Szene am Anfang zu beschreiben mit den wichtigsten Merkmalen. Also z.B. "Group Photo of 3 people 1 male with blond hair 2 female with black hair standing in a forrest, " und dann den Rest des Bildes bzw. nochmal details zu den Personen und dem Hintergrund.

Auf jeden fall sollte man mit Kommas aufpassen, da die eben trennend wirken, Aufzähungen der Atribute eines Elementes sollten also ohne Komma gemacht werden.

Warum ausschließlich? Es gibt einige Apps, aber ehrlich gesagt würde ich einfach im Browser die hier verlinkten Tools nutzen. Funktionieren auch dort alle gut. Moescape hat auch eine spezielle App, bei den anderen weiß ich nicht ob sie nur eine Mobile Version der Seite nutzen oder eine App haben.

Grundsätzlich kannst du alle solche gehosteden KIs auf dem Handy nutzen, nur mit lokaler KI bei der das Handy selbst rechnen muss wird es schwer.

Zitat von Mame

Dann sag ich ihm "korrigiere die Würfel, achte auf die korrekte Anzahl der Augen auf jeder Würfelseite und korrigiere die Pokerkarten damit sie korrekten Pokerkarten entsprechen" und es wird noch schlimmer.

Du könntest direkt versuchen zu beschreiben welche Zahlen der Würfel zeigen soll. Du hast leider nicht dazu geschrieben welche AI du genutzt hast, aber grad bei z.B. FLux sollte das gut funktionieren.

Zum komplett neu erstellen hat Dee ja schon was gesagt - das ist eben der Standard. Es gibt allerdings durchaus Möglichkeiten nur einen Teil eines Bildes neu zu generieren. Meistens als Maske bei der du den zu bearbeitenden Bereich markierst. Super geht das z.B. in Moescape (unter dem erstellten Bild links der Pinsel) Allerdings nur wenn das Modell es auch supported (z.B. kein Flux). Bei Leonardo geht es über die Canvas Funktion.

Zitat von Dee

Du verwechselst eine KI wieder mit echter Intelligenz. Eine KI weiß nicht, wie ein W6 aussieht. Es kennt nur Bilder mit Würfel, meist weißen Flächen und schwarzen Punkten darauf. Dass die Anzahl der Punkte etwas zu bedeuten hat, weiß es nicht. Und entsprechend generiert es halt etwas Kubusfömiges mit Punkten drauf. Ebenso bei den Pokerkarten. Es kennt nur Bilder davon und weiß, wie die Pixel angeordnet sind. Dass da aber Zahlen und Buchstaben oben in der Ecke stehen, die auch noch etwas bedeuten, weiß die KI nicht.

Es gibt durchaus multimodale KI die den Sinn eines Bildes verstehen kann. (siehe etliche Videos auf dem OpenAI Youtube Chanel) Also zum Beispiel ein Bild auf dem Luftballons abgebildet sind die mit einer Schnur befestigt sind und man fragt die KI was passiert wenn man die Schnur durchschneidet und sie kann aus dem Zusammenhang des Bildes korrekt deduzieren das die Luftballons dann wegfliegen würden. Oder dir bei einem Foto von Pokerkarten sagen kann wie gut die Hand ist. (Nur mal als einfaches Beispiel)

Das Problem ist aktuell aber, das die multimodale KI zwar Bilder versteht, aber eben ein anderes Modell die Bilder erstellt. Und dieses Modell hat absolut gar kein Verständnis davon was es eigentlich tut. Selbst wenn wie bei ChatGPT die multimodale AI direkt mit dem Modell kommunizieren kann, dass das Bild erstellt muss auch das Sprachmodell dabei erstmal versuchen dem "dummen" Bilder Modell alles genau zu erklären. Ich denke aber das es in der Hinsicht noch weitere Fortschritte geben wird.

Zitat von Dee

Leonardo hat hier ein "negative Prompt". Habe ich aber noch nicht getestet, wie das funktioniert zu beschreiben, was Du alles nicht sehen willst.

Genau wie der positive, einfach einfügen was nicht rein soll. Geht bei StableDiffusion, Leonardo und vielen anderen. Gibt auch viele "Standard Negativ Prompts", moescape verwendet z.B. auch bei vielen Modellen von vornerein einen negativ Prompt. Sowas hier zum Beispiel bei erstellen von Menschen:

Zitat

(deformed, distorted, disfigured:1.3), poorly drawn, bad anatomy, wrong anatomy, extra limb, missing limb, floating limbs, (mutated hands and fingers:1.4), disconnected limbs, mutation, mutated, ugly, disgusting, blurry, amputation,

Zitat von Mame

Hat denn jemand ne Idee wie man ihn korrekt anspricht um wirklich was "druckbares" zu bekommen und nicht ein Bild von einem Bild?

So wie du das beschreibst nehme ich an du generierst mit Dall-e3/ChatGPT?

Und du meinst wahrscheinlich die Ränder um das Bild herum? Es gibt da, wenn du das Bild groß machst auch die Möglichkeit eine Maske zu deffinieren. Manchmal bekommt man damit die Ränder super weg, manchmal macht man sie nur noch schlimmer. Ansonsten kannst du auch das Bild von Dall-e3 nehmen, selbst die Ränder grob wegschneiden (lieber zu viel als zu wenig) und es dann mit dem gleichen Prompt (in Chat GPT fragen das er dir den verwendeten Prompt zeigt) in Stable Diffusion (moescape) oder anderem Modell das es kann als Image to Image durchlaufen lassen. (und im Zweifel dann dort mit Inpaint/Maske wie oben erwähnt weiter bearbeiten)

Als weiterer Tipp: Das oben verlinkte Playground nutzen um dir einen mega ausführlichen Prompt zu einem Bild machen zu lassen das dir gefällt.

Also wenn Dalle dir was erstellt was dir grundsätzlich gefällt aber störende Dinge hat, dieses Bild in Playground werfen zum Beschreiben lassen, wenn irgendwelche der störenden Dinge mit beschrieben werden kannst du das hinterher im Prompt ändern oder streichen.