<<< vorheriger Artikel

Maschinelles Lernen und Generative KI in der Bildbearbeitung

veröffentlicht am 05.05.2026 - aktualisiert am 14.05.2026 in * BILDBEARBEITUNG *

Inhaltsverzeichnis

In der Fotobearbeitung werden die Begriffe Maschinelles Lernen/Machine Learning (ML) und Generative Künstliche Intelligenz (Generative AI) häufig gleichgesetzt. Diese Gleichsetzung ist fachlich falsch und führt zu Missverständnissen über Funktionsweise, Auswirkungen und Eingriffstiefe moderner Bildbearbeitungswerkzeuge.

Der Unterschied ist insbesondere für Fotografen relevant, die mit RAW-Daten und nicht-destruktiver Nachbearbeitung arbeiten.

Warum ist das hier ein Thema: Weil aktuell im darktable-Umfeld diese Diskussion geführt wird. Die eine Gruppe, die Puristen, wollen ein “echtes Bild” erhalten, die anderen - ich nenne sie jetzt mal “zielorientierte Praktiker” - wollen aktuelle Technologien verwenden können, die die Arbeit mit RAW-Dateien erleichtert, hier insbesondere hinsichtlich Entrauschen und Maskieren.

Ausgangspunkt der Diskussion

Auslöser ist die verbreitete Annahme, KI-basierte Tools würden Originalbilddaten verwerfen und durch künstlich erzeugte Inhalte ersetzen. Diese Annahme ist insbesondere bei Machine-Learning-basierten Werkzeugen unzutreffend. ML-gestützte Bildbearbeitung arbeitet mit den tatsächlich vorhandenen Bilddaten und ersetzt keine Bildinhalte durch „fantasierte“ Pixel.

Andy Hutchinson beschreibt in seinem Video Machine Learning is not Generative A.I. (and Photographers Need to Know Why) sehr gut anhand von Beispielen für Fotografen die Grundlagen, um die beiden Begriffe sauber auseinander zu halten.

Für meine deutschsprachigen Leser soll hier eine kurze Zusammenfassung der wesentlichen Inhalte folgen (das Video läßt sich auch in deutscher Sprache untertiteln).

Historische Entwicklung von Machine Learning in der Fotografie

Frühe ML-Anwendungen

Machine Learning wird seit fast zwei Jahrzehnten in der Fotografie eingesetzt, zunächst in unterstützender Funktion:

Gesichtserkennung
Motiverkennung und Kategorisierung
Horizonterkennung
Automatische Bildorganisation

Frühe Beispiele sind Gesichtserkennung in Google Picasa (2008) und Apple Photos (2009) sowie die semantische Bildsuche in Google Photos (2015).

Weiterentwicklung durch Adobe Sensei

Mit der Einführung des Adobe-Sensei-Frameworks (ab 2016) wurden ML-Werkzeuge deutlich leistungsfähiger, z. B.:

Gesichtsbasierte Bearbeitungswerkzeuge (Face-Aware Liquify)
Automatische Motivauswahl („Select Subject“)

Diese Werkzeuge beschleunigten Arbeitsabläufe erheblich, ohne neue Bildinhalte zu erzeugen.

Was ist Machine Learning in der Bildbearbeitung?

Grundprinzip

Machine Learning analysiert vorhandene Bilddaten mithilfe statistischer Modelle. Ziel ist es:

Fehler zu identifizieren (z. B. Rauschen, Unschärfe)
diese Fehler anhand gelernter Muster zu korrigieren

Dabei wird kein neues Bildmaterial erfunden.

Wichtige ML-Konzepte

Klassifikation: Erkennen und Zuordnen von Bildmerkmalen (z. B. Auge, Rauschen).
Transformation: Pixelweise Umwandlung vorhandener Daten (z. B. Entrauschen).
Signalrekonstruktion: Wiederherstellung eines plausiblen Signals aus gestörten Daten.

Typische Anwendungsfälle:

Entrauschen (High-ISO-Rauschreduzierung)
Hochskalieren (Upscaling)
Schärfen und Entschärfen (Deblurring)

Das Bild bleibt in seinem Informationsgehalt grundsätzlich erhalten.

Was ist Generative Künstliche Intelligenz?

Funktionsweise

Generative KI erzeugt neue Bilddaten, die nie von der Kamera aufgenommen wurden. Grundlage ist das Lernen statistischer Strukturen aus sehr großen Trainingsdatensätzen. Bekannte Modellklassen sind:

Diffusionsmodelle
Generative Adversarial Networks (GANs)
Transformer-basierte Modelle

Generative KI ersetzt Bildbereiche vollständig durch neu berechnete Inhalte.

Beispielhafte Anwendung

Bei generativen Werkzeugen wie „Generative Fill“ werden ausgewählte Bildbereiche nicht verfeinert, sondern komplett neu erzeugt. Dies kann dazu führen, dass:

Gesichter verändert werden
Bilddetails keinen Bezug mehr zum Original haben
das Ergebnis nicht mehr als ursprüngliche Fotografie betrachtet werden kann

Zentrale Unterschiede zwischen ML und Generativer KI

Aspekt	Machine Learning	Generative KI
Datenbasis	Vorhandene Bilddaten	Externe Trainingsdaten
Erzeugung neuer Pixel	Nein	Ja
Eingriffstiefe	Korrektur	Ersetzung
Ziel	Optimierung des Originals	Neuer Bildinhalt

Hierbei sind die Übergänge aber fließend:
Mit mehr Skalierung und breiteren Daten wird die Anwendbarkeit größer; mit eingeschränkten Daten wird sie zielgerichteter. Welche “Nebenwirkungen” eine breitere Datenbasis aber haben kann, das zeigt folgendes Beispiel:

: Originalaufnahme

Ich habe hier generative KI-Modelle (GPT 5.5 von OpenAI sowie Opus von Claude) mit einer einfachen Aufgabe konfrontiert:

Entferne die rote Leine links des Hundes

Das sollte eigentlich eine einfache Aufgabe sein: maskieren und durch Struktur des Grases ersetzen. Stattdessen hat sich die generative KI des Gesamtbildes bemächtigt und “an allen Ecken und Enden optimiert”. Hier die beiden Versionen, die jeweils beim Überfahren per Maus das Originalbild zum Vergleich anzeigen:

Bildvergleich 1: (Maus über Bild bewegen zum Umschalten)

: Bearbeitete Aufnahme, GPT 5.5

: Originalaufnahme

Neben Unterschieden in Kontrast und Farbintensität fallen insbesondere Unterschiede auf in

der Kopfhaltung des Hundes
Form der Rückenlinie
Schwanzstellung
viele unterschiedliche Details des Geschirrs im Hals- und Rückenbereich: unterschiedliche Logos, unterschiedliche Schnallenformen und -anordnungen etc.

Kurz zusammengefaßt: Je “mächtiger” die Trainings-Datensätze sind, desto größer die Gefahr, daß die Bildinhalte selbst wesentlich verändert werden.

Und hier nochmal ein Vergleich, der zwei unterschiedliche “Interpretationen” der beiden verwendeten Modelle zeigt:

Bildvergleich 2: (Maus über Bild bewegen zum Umschalten)

: Bearbeitete Aufnahme, GPT 5.5

: Bearbeitete Aufnahme, Opus

Es zeigen sich hier grundsätzlich in denselben Bildbereichen wie im obigen Vergleich deutliche Unterschiede …

Bedeutung für Fotografen

Für Fotografen, die Wert auf die Integrität von RAW-Daten legen, ist diese Unterscheidung entscheidend:

ML-Tools gelten als Weiterentwicklung klassischer Regler und Filter
Generative KI verändert den Bildinhalt fundamental, und wie aus dem gezeigten Vergleich hervorgeht: nicht immer vorhersehbar

Der Einsatz ist eine bewusste gestalterische Entscheidung, keine rein technische Optimierung.

Fazit

Machine Learning und Generative KI verfolgen unterschiedliche Ansätze und dürfen nicht gleichgesetzt werden. Während ML vorhandene Bildinformation analysiert und verbessert, erzeugt Generative KI neue Inhalte. Die häufige Verwirrung entsteht durch unpräzise Kommunikation in Medien und Marketing. Ein korrektes Verständnis ermöglicht einen bewussten und informierten Einsatz moderner Bildbearbeitungswerkzeuge.

806 Worte - Lesezeit: 4 Minute(n)

Zu diesem Artikel: