Text-to-Image bezeichnet die Aufgabe, aus einer natürlichsprachlichen Beschreibung (Prompt) ein passendes Bild zu erzeugen. Systeme dafür kombinieren Sprachverständnis mit generativen Modellen und haben sich seit 2021 rasant entwickelt — von experimentellen Demos bis zu Alltagswerkzeugen für Kreative und Unternehmen.
Meilensteine
- 2014–2018: Frühe Arbeiten auf Basis von Generative Adversarial Networks (GANs) liefern erste Ergebnisse, oft noch mit eingeschränkter Texttreue.
- 2021: OpenAI veröffentlicht DALL-E, ein Transformer-Modell, das Text und Bild gemeinsam modelliert; Google folgt mit dem diffusionsbasierten GLIDE.
- 2022: DALL-E 2 und Googles Imagen erreichen photorealistische Qualität; mit Stable Diffusion wird die Technik als Open Source verfügbar.
- 2023ff.: SDXL, DALL-E 3, FLUX und weitere Modelle verbessern Auflösung, Prompt-Treue und Detailreichtum; oft kommen Latent Diffusion Models zum Einsatz.
Wie funktioniert moderne Text-zu-Bild-Erzeugung?
Ein Text-Encoder übersetzt den Prompt in eine numerische Einbettung. Ein generatives Modell — meist ein Diffusion Model — startet von zufälligem Rauschen und formt es Schritt für Schritt zu einem Bild, das zur Einbettung passt. Die Qualität hängt stark von der Formulierung des Prompts ab, weshalb sich Prompt-Engineering als eigenes Feld etabliert hat.
Anwendungen
- Design und Marketing: Konzeptskizzen, Produktbilder, Social-Media-Grafiken.
- Kunst und Unterhaltung: Illustrationen, Concept Art, Spiele-Assets.
- Entwicklung und Bildung: schnelle Visualisierungen, Mockups, Lehrmaterial.
Verwandte Grundlagen: Stable Diffusion, Latent Diffusion Model, Diffusion Model, Deep Learning, Maschinelles Lernen.