Vom Bild zum KI-Prompt: So gelingt eine möglichst genaue Rekonstruktion

Ein Bild in einen Prompt zurückzuübersetzen heißt nicht, möglichst viele Adjektive zu sammeln. Entscheidend ist, Komposition, Licht, Kameraposition, Farbe und Blickführung in ausführbare Anweisungen zu übertragen.

Multimodale KI kann ein Bild innerhalb weniger Sekunden beschreiben. Wird diese Beschreibung anschließend für eine neue Generierung verwendet, ähnelt das Ergebnis der Vorlage jedoch oft nur oberflächlich.

Der Grund liegt meist in der Analyse. Eine gewöhnliche Bildbeschreibung beantwortet, was zu sehen ist. Für eine Rekonstruktion muss geklärt werden, warum das Bild genau so wirkt.

Auf einem Straßenfoto können eine Person, ein Auto und Gebäude zu sehen sein. Alle Objekte korrekt zu benennen reicht nicht. Prägend sind möglicherweise die Person am rechten Bildrand, die niedrige Kameraposition, das flache Licht eines bedeckten Tages und ein roter Mantel als einzige gesättigte Farbe. Erhalten werden müssen diese Beziehungen, nicht nur die Objektliste.

„Schön“ ist ein Urteil, keine Anweisung

Die Forschung zur Bildästhetik trennt technische Qualität — etwa Unschärfe, Rauschen oder Kompression — von ästhetischer Wirkung. Googles NIMA-Projekt ordnete Bilder nicht schlicht als gut oder schlecht ein, sondern sagte die Verteilung menschlicher Bewertungen voraus. Visueller Geschmack ist teilweise subjektiv. Google Research: NIMA

Für die Rekonstruktion lässt sich ein Bild auf vier Ebenen lesen.

Die erste Ebene ist der Inhalt: Motiv, Handlung, Ausdruck, Kleidung, Gegenstände und ihre Beziehungen. Einen roten Mantel zu erkennen ist nur der Anfang. Nützlich ist die Beobachtung, dass er in einer entsättigten Umgebung den einzigen stark gesättigten Blickpunkt bildet.

Die zweite Ebene ist die räumliche Struktur: Position und Größe des Motivs, Vorder-, Mittel- und Hintergrund, Negativraum, Verdeckungen, Aufnahmewinkel und Perspektive. Ein Weitwinkel, das Distanzen überzeichnet, stellt ein anderes Verhältnis zum Motiv her als ein Teleobjektiv, das den Raum verdichtet.

Die dritte Ebene umfasst optische Merkmale: Richtung und Härte des Lichts, Belichtung, Schatten, Schärfentiefe, Farbtemperatur und Materialreflexe. „Weiches filmisches Licht“ bleibt unbestimmt. „Diffuses Fensterlicht von links, das auf der rechten Gesichtshälfte einen flachen Schatten erzeugt“ beschreibt eine physische Situation.

Die vierte Ebene ist Stil und Stimmung. Fotografie, Illustration, 3D und Ölmalerei sind Medien; Modeeditorial, Dokumentarfotografie, Studioanzeige und Smartphone-Schnappschuss folgen unterschiedlichen Konventionen. Eine leichte Schieflage, Hautstruktur, Bewegungsunschärfe oder zufällige Verdeckung kann die Identität der Vorlage stärker prägen als das Wort „fotorealistisch“.

Eine 2022 in IEEE Transactions on Image Processing veröffentlichte Studie behandelte semantischen Inhalt, künstlerischen Stil und Komposition ebenfalls als zentrale Bestandteile ästhetischer Bewertung. Composition and Style Attributes Guided Image Aesthetic Assessment

Nicht die Menge der Details entscheidet, sondern ihre Hierarchie: Was fällt zuerst auf, was stützt den Fokus und was tritt zurück?

Prompt Inversion rekonstruiert keine eindeutige Originalformulierung

Zu einem Bild kann es viele passende Prompts geben. Selbst ein bekannter Ursprungsprompt erzeugt bei einem anderen Modell, Seed oder Parametersatz ein anderes Ergebnis.

Eine auf der CVPR 2024 vorgestellte Arbeit beschreibt Prompt Inversion als Suche in einem exponentiell wachsenden, diskreten Prompt-Raum. Gesucht wird eine verständliche Anweisung, die das Zielbild repräsentiert — nicht zwingend der exakte Satz des Urhebers. Prompting Hard or Hardly Prompting

Am Anfang stehen sichtbare Tatsachen: Position, Handlung, Kleidung und Objekte. Wertungen wie „hochwertig“, „verträumt“ oder „filmisch“ kommen später. Ort, Identität oder Kameramodell sollten ohne ausreichende Hinweise nicht erfunden werden.

Danach folgt die Geometrie: Lage des Motivs, Richtung von Körper und Blick, Staffelung der Bildebenen, Freiraum, Beschnitt und Perspektive. Anschließend werden Hauptlicht, Helligkeitsverhältnis zwischen Motiv und Hintergrund, Schatten, Palette, Reflexe und Oberflächen beschrieben.

Auch Stimmungen brauchen sichtbare Belege. Wirkt eine Szene einsam, kann das am leeren Raum, einer abgewandten Person, kühlen Farben oder geringer Helligkeit liegen.

Zum Schluss werden die Merkmale priorisiert: Was muss erhalten bleiben, was darf variieren und welche typischen Fehler sollen vermieden werden?

Mittlere Straßenaufnahme aus niedriger Perspektive an einem bedeckten Tag. Eine Frau im langen roten Mantel steht auf der rechten Drittellinie; ihr Körper ist zur Straße gerichtet, während sie zur Kamera zurückblickt. Links bleibt viel Umgebungsraum. Die Szene ist entsättigt blau-grau, der Mantel bildet die einzige kräftige Farbe. Nasser Asphalt nimmt eine schwache warme Spiegelung eines Geschäfts hinter ihr auf. Dezentrale Komposition und leichte Weitwinkelperspektive erhalten. Hartes Sonnenlicht, frontale Pose und einen überfüllten Hintergrund vermeiden.

Der Prompt muss nicht jedes Objekt aufzählen. Zuerst werden Motiv, Komposition und Farbverhältnis fixiert, danach Kamera, Licht und Einschränkungen ergänzt.

JSON oder natürliche Sprache: Der Informationsgehalt ist wichtiger

JSON wird bisweilen als überlegene Sprache für Bildmodelle dargestellt. Kritiker halten dagegen, dass Klammern, Anführungszeichen und Feldnamen lediglich Tokens verbrauchen. Beide Sichtweisen überschätzen das Format.

JSON macht aus der Analyse eine bearbeitbare Spezifikation. Motiv, Pose, Komposition, Objektiv, Beleuchtung, Farbpalette und Einschränkungen lassen sich getrennt prüfen. Fehlende Angaben, gezielte Änderungen, Versionsvergleiche und Software-Integrationen werden einfacher.

Natürliche Sprache verursacht weniger Formatballast und entspricht den Beispielen vieler Modelldokumentationen. Ohne strukturierte Vorarbeit fehlen jedoch schnell Geometrie, Licht oder Einschränkungen.

Enthalten beide Formate dieselben visuellen Informationen und Prioritäten, gibt es keinen grundsätzlichen Unterschied. Ein detailliertes JSON schlägt einen vagen Satz, weil es mehr Entstehungsbedingungen des Bildes bewahrt — nicht wegen der geschweiften Klammern.

Gestrichen werden sollten Wiederholungen, unbelegte Vermutungen und widersprüchliche Anweisungen. Komposition, Licht oder Materialinformationen nur zur Verkürzung zu entfernen, verschlechtert die Kontrolle.

In der Praxis bietet es sich an, die Analyse strukturiert zu speichern und daraus einen natürlichen Prompt für das Zielmodell zu erzeugen. Promptsref Image to Prompt liefert deshalb aus derselben visuellen Analyse sowohl JSON als auch Fließtext.

Das Modell entscheidet über den letzten Schritt

Stand August 2026 unterscheiden sich Midjourney, GPT Image 2 und Googles Nano-Banana-Familie deutlich im Umgang mit Referenzen.

Midjourney beschreibt Image Prompts als Referenzen, die Inhalt, Komposition und Farbe beeinflussen. Sie dienen als Inspiration für ein neues Bild, nicht als Mechanismus für eine exakte Kopie. Midjourney Image Prompts

Auch Describe schlägt kreatives Prompt-Vokabular vor und soll ein hochgeladenes Bild nicht präzise reproduzieren. Midjourney Describe Midjourney ist daher stark bei der Frage, wie sich eine Vorlage weiterentwickeln lässt, aber weniger berechenbar beim Festschreiben einzelner Details.

GPT Image 2 verarbeitet Text und Bilder für Generierung und Bearbeitung. Laut OpenAI-Dokumentation werden Bildeingaben in Referenz- und Editierabläufen automatisch mit hoher Wiedergabetreue verarbeitet. OpenAI: Image input fidelity Die Referenz trägt Geometrie und Textur, während der Prompt festlegt, was unverändert bleiben und was sich ändern darf.

Nano Banana ist besonders nützlich bei mehreren Referenzen und aufeinanderfolgenden Änderungen. Google beschreibt die Familie als native multimodale Bildfunktion für Generierung, Bearbeitung und Iteration mit Text und Bildern. Nano Banana 2 betont Mehrfachreferenzen und Konsistenz, Nano Banana Pro komplexe Anweisungen und präzise Kontrolle. Google: Nano Banana Image Generation

Midjourney eignet sich besser für Alternativen. GPT Image 2 und Nano Banana sind besser darauf vorbereitet, den Abstand zu einer Vorlage kontrolliert zu verkleinern.

Genauigkeit entsteht durch Vergleich

Auch eine sorgfältige Analyse liefert selten im ersten Versuch die beste Übereinstimmung. Sinnvoll ist ein stufenweiser Vergleich: zunächst Motiv und Komposition, dann Kamera und Beleuchtung, zuletzt Materialien und Details.

Wer pro Runde nur ein oder zwei große Abweichungen korrigiert, erkennt, welche Änderung gewirkt hat. Eine vollständige Neufassung des Prompts verwischt diese Information.

Text kann einen großen Teil der visuellen Logik rekonstruieren, aber nicht jedes Pixel speichern. Die besten Ergebnisse entstehen, wenn Referenzbild, strukturierte Analyse und iterative Generierung als ein gemeinsamer Arbeitsablauf behandelt werden — nicht durch die Suche nach einem vermeintlich perfekten Satz.