Diffusionsmodell einfach erklärt: Wie KI aus Rauschen Bilder und Videos macht

Die Grundidee: aus Rauschen wird ein Bild

Stell dir ein altes Fernsehbild vor, auf dem nur noch flimmernder Schnee zu sehen ist. Ein Diffusionsmodell beginnt mit genau so einem Zufallsrauschen und entfernt es in vielen kleinen Schritten, bis ein klares Bild übrig bleibt. Was dabei herauskommt, steuerst du mit deiner Beschreibung, etwa: ein Leuchtturm im Sonnenuntergang, gemalt wie ein Aquarell.

Gelernt hat das Modell diese Fähigkeit gewissermaßen rückwärts. Beim Training werden echte Bilder Schritt für Schritt immer stärker verrauscht, bis nur noch Rauschen übrig ist. Das Modell übt, diesen Vorgang umzukehren, also aus einem verrauschten Bild ein etwas klareres zu machen. IBM beschreibt das als Vorwärts- und Rückwärtsprozess. OpenAI erklärte 2024 für sein Videomodell Sora dasselbe Prinzip: Das Modell bekommt verrauschte Bildstücke und lernt, die ursprünglichen, sauberen Stücke vorherzusagen.

Daraus folgt eine Eigenheit, die du beim Ausprobieren sofort merkst: Beginnt ein Durchlauf mit neuem Zufallsrauschen, entsteht bei derselben Beschreibung normalerweise ein etwas anderes Bild. Legst du den Zufallsstartwert (englisch Seed) fest und änderst die übrigen Einstellungen nicht, lässt sich ein Ergebnis dagegen wiederholen. Auf anderer Hardware kann es laut der Entwicklerplattform Hugging Face trotzdem leicht abweichen.

Wie dein Text das Bild lenkt

Damit das Modell weiß, was es aus dem Rauschen herausarbeiten soll, wird deine Beschreibung zuerst von einem Sprachmodell in Zahlen übersetzt. Google stellte 2022 sein Bildmodell Imagen vor und fand dabei heraus, dass ein größeres Sprachmodell für das Textverständnis die Qualität stärker verbessert als ein größeres Bildmodell. Imagen erzeugte zunächst ein winziges Bild mit 64 mal 64 Bildpunkten und vergrößerte es dann mit weiteren Diffusionsmodellen auf 1024 mal 1024.

Ein wichtiger Kniff kommt aus München: Die Forschungsgruppe von Björn Ommer an der LMU entwickelte latente Diffusionsmodelle, bekannt geworden als Stable Diffusion. Dabei arbeitet das Modell nicht mit dem großen Bild selbst, sondern mit einer stark verdichteten Fassung, aus der erst am Ende das fertige Bild entsteht. Das spart viel Rechenleistung. Google bezeichnet latente Diffusion in der Modellkarte zu seinem Videomodell Veo 3 als De-facto-Standard für moderne Bild-, Ton- und Videomodelle.

Bekannte Modelle im Oktober 2026

Google: Imagen ist laut Google ein Diffusionsmodell. Für Videos nutzt Google Veo; laut Modellkarte arbeitet Veo 3 mit latenter Diffusion und erzeugt Bild und Ton zusammen.

Black Forest Labs: Das Unternehmen mit Hauptsitz in Freiburg stellte im November 2025 FLUX.2 vor und beschreibt die Technik als latentes Flow Matching. Seit Juli 2026 ist FLUX 3 im Vorabzugang (Early Access), ein Modell für Bilder, Videos und Ton zugleich, ebenfalls auf Flow-Matching-Basis. Unsere Einordnung: Flow Matching ist eine Weiterentwicklung desselben Grundgedankens, auch hier entsteht das Ergebnis schrittweise aus Rauschen. Der Anbieter selbst spricht aber nicht von Diffusion.

OpenAI: Sora war laut OpenAI ein Diffusionsmodell. Die Sora-App und die Website hat OpenAI am 26. April 2026 eingestellt, die Schnittstelle für Entwickler am 24. September 2026. Ob und in welcher Form es ein Nachfolge-Videomodell gibt, konnten wir nicht verlässlich klären. Die Bilderzeugung, die OpenAI im März 2025 direkt in ChatGPT eingebaut hat, ist nach Angaben von OpenAI ausdrücklich kein Diffusionsmodell, sondern erzeugt das Bild Stück für Stück, ähnlich wie ein Sprachmodell Text schreibt (autoregressiv).

Midjourney: Standard ist laut Dokumentation derzeit die Version V8.2. Angaben zur zugrunde liegenden Technik haben wir in der Dokumentation nicht gefunden.

Was das für dich im Alltag bedeutet

Ein Diffusionsmodell erfindet ein Bild neu, es ist kein Foto von etwas, das es wirklich gab. Deshalb können Details danebenliegen. Google nennt als typische Erkennungszeichen von KI-Bildern unter anderem unleserlichen oder widersprüchlichen Text, Fehler bei Händen, Zähnen oder im Hintergrund, unstimmige Schatten und Beleuchtung sowie unnatürlich wiederholte Muster. Verlassen kannst du dich auf solche Fehler aber nicht.

Beim eigenen Ausprobieren hilft: Beschreibe Motiv, Stil, Licht und Bildausschnitt möglichst genau, und lass dir mehrere Varianten erzeugen, denn mit neuem Zufallsstart fällt jeder Durchlauf normalerweise anders aus.

Viele Anbieter versehen ihre Bilder inzwischen mit unsichtbaren Wasserzeichen. Wie das funktioniert und wie du ein Bild prüfst, erklären wir im Artikel über KI-Wasserzeichen. Woran du Fälschungen im Alltag erkennst, steht in unserem Beitrag über KI-Fälschungen bei Bildern, Stimmen und Anrufen.