Ein neuer Weg zur Bearbeitung und Generierung von Bildern ohne herkömmliche KI-Generatoren

Ein neuer Blick darauf, wie KI Bilder erstellt und bearbeitet

Wir leben in einer Zeit, in der künstliche Intelligenz aus wenigen Worten eine bizarre Fantasiewelt oder ein hyperrealistisches Foto zaubern kann. All diese Magie beruht auf riesigen neuronalen Netzwerken, die still und leise aus Millionen – manchmal sogar Milliarden – von Fotos und schriftlichen Beschreibungen lernen. Doch der nächste Durchbruch in der KI-Kunst könnte ein kleiner Trick sein: Was wäre, wenn man Bilder mit KI erstellen und verändern könnte, ohne dabei auf die schwerfällige Maschinerie eines herkömmlichen Bildgenerators zurückgreifen zu müssen?

Genau dieser Gedanke inspirierte eine Gruppe von Forschern des MIT und von Facebook AI Research. Ihre neueste Arbeit, die auf der Internationalen Konferenz für maschinelles Lernen (ICML) 2025 vorgestellt wurde, zeigt, wie eine überraschend einfache Technik die Art und Weise, wie KI Bilder erzeugt und bearbeitet, drastisch optimieren könnte.

Vom Schulprojekt zur bahnbrechenden Entdeckung

Das Projekt begann als Klassenprojekt des MIT-Doktoranden Lukas Lao Beyer unter der Betreuung von Professor Kaiming He. Was bescheiden begann, zog bald weitere Mitwirkende an – Tianhong Li, Xinlei Chen und Sertac Karaman – und gewann deutlich an Umfang.

Beyers Inspiration stammte aus neuen Forschungsergebnissen der Technischen Universität München und von ByteDance. Dieses Team entwickelte einen “1D-Tokenizer” – ein ungewöhnliches KI-Modell, das ein Bild mit einer Größe von 256×256 auf nur 32 Token reduziert, bei denen es sich jeweils um einen 12-stelligen Binärwert handelt. Stellen Sie sich das wie eine extrem komprimierte “Sprache” mit 4.000 Wörtern vor, nur dass diese Sprache Bilder statt Ideen beschreibt.

Fasziniert davon, wie viele Informationen diese Token enthielten, begann Beyer zu experimentieren: Indem er Token in einem Bild austauschte, beobachtete er, wie sich das Bild veränderte – die Auflösung sprang, Farben wurden matt oder leuchteten stärker, Hintergründe wurden scharf oder verschwommen, und manchmal änderte sich einfach die Richtung der Körperhaltung eines Vogels.

Kein Generator erforderlich: Bearbeitung im Kern

Und jetzt wird es erst richtig spannend: Anstatt die Pixel direkt neu zu zeichnen, begannen Beyer und sein Team, bestimmte Token zu bearbeiten, um die gewünschten Änderungen an einem Bild zu erzielen. Es stellte sich heraus, dass diese Art des Austauschs nicht nur zum Herumprobieren dient, sondern auch eine völlig neue Möglichkeit zur Bildgenerierung bietet. Durch die Kombination eines 1D-Tokenizers mit einem Decoder, der das Bild rekonstruiert, sowie einem leitenden neuronalen Netzwerk namens CLIP (das die Arbeit der KI an einer Textvorgabe ausrichtet), konnte das Team Token-Bündel so lange “verrutschen”, bis beispielsweise das Bild eines roten Pandas wie ein Tiger aussah – oder sogar etwas völlig Neues erschaffen, indem es von zufälligen Token ausging und diese schrittweise verfeinerte, um sie an eine Eingabeanweisung anzupassen.

Erstaunlich ist, wie sehr dadurch die Notwendigkeit klassischer Bildgeneratoren umgangen wird. Herkömmliche Generatoren sind riesige Monster – langsam beim Training und energieintensiv im Betrieb. Diese minimalistischere Methode umgeht einen Großteil der Rechenlast und macht fortschrittliche KI-Kunst potenziell kostengünstiger und verbreiteter. Sie kann zudem Techniken wie das „Inpainting“ – das Ausfüllen fehlender Bildteile – unter Verwendung derselben Tokenizer- und Decoder-Konfiguration ausführen. Manchmal entstehen die kühnsten Fortschritte durch die unerwartete Wiederverwendung von Werkzeugen.

Experten nehmen dies aufmerksam zur Kenntnis. Saining Xie von der NYU bezeichnete die Ergebnisse als “ziemlich überraschend”, während Zhuang Liu von der Princeton University auf die vielversprechende Möglichkeit hinwies, die Kosten für KI-Bilder zu senken.

Und das Potenzial beschränkt sich nicht nur auf Bilder. Sertac Karaman hob hervor, wie dieselbe Idee – das Komprimieren von Handlungen oder Wegbeschreibungen in Tokens – auch Bereichen wie der Robotik oder selbstfahrenden Autos zugutekommen könnte. Beyer stimmt dem zu: “Die Leistungsfähigkeit dieser Art von Komprimierung könnte erstaunliche Möglichkeiten eröffnen”, sagt er.

Im Kern zeigt dieser neue Ansatz, was passieren kann, wenn man es wagt, alte Gewohnheiten in Frage zu stellen und das Beste aus den verfügbaren Mitteln zu machen. Durch ihr unkonventionelles Denken hat das MIT-Team nicht nur eine Abkürzung gefunden – es hat einen neuen Weg für die Kreativität der KI geebnet.

Lesen Sie den Originalartikel: https://news.mit.edu/2025/new-way-edit-or-generate-images-0721