Wie aus akademischen GANs in vier Jahren ein Massenphänomen wurde. Die wichtigsten Modelle, Veröffentlichungen und Disruptionspunkte.

Kaum eine Technologie hat sich seit 2022 so schnell entwickelt wie KI-Bildgeneration. Was zuerst nur Forschungslabs vorbehalten war, läuft heute auf jedem Gaming-Laptop oder im Webbrowser. Die kurze Geschichte dieser Disruption.

Die Vorgeschichte: GANs 2014-2021

Vor den Diffusion-Modellen dominierten Generative Adversarial Networks (GANs), eingeführt von Ian Goodfellow 2014. Berühmt wurden StyleGAN und BigGAN, die fotorealistische Gesichter und Tiere generierten. GANs waren technisch faszinierend, aber für Anwender unhandlich: Training war instabil, Output schwer zu steuern, Text-zu-Bild praktisch unmöglich.

OpenAI DALL-E 1 (Januar 2021) war ein Wendepunkt: erstmals konnte man in natürlicher Sprache beschreiben, was generiert werden sollte, und bekam ein passendes Bild. Die Qualität war noch begrenzt (klein, oft surreal), aber das Konzept bewies sich.

Der Diffusion-Durchbruch 2022

Drei Veröffentlichungen verändern alles:

DALL-E 2 (April 2022) zeigt photorealistische Bilder mit präziser Prompt-Steuerung. Geschlossen, nur via OpenAI-Warteliste zugänglich. Die Veröffentlichung löst weltweit Begeisterung aus.

Midjourney v1 (Juli 2022) startet als Discord-Bot. Die Bildsprache ist von Beginn an cinematischer und stilistisch verspielter als DALL-E. Die Discord-Distribution wird zur Erfolgsformel: Tausende Nutzer sehen ständig die Outputs anderer.

Stable Diffusion 1.4 (August 2022) ist die Bombe: erstes Modell, das kostenlos open-source veröffentlicht wird. Jeder mit halbwegs starker Grafikkarte kann es lokal laufen lassen. Die Community baut innerhalb von Wochen Web-UIs (Automatic1111), Custom-Modelle (Civitai), Trainings-Tools (Dreambooth) und Erweiterungen (ControlNet).

2023: das Jahr der Konsolidierung

Mehrere bedeutende Releases:

SDXL (Juli 2023) löst SD 1.5 ab. Native 1024px-Auflösung, deutlich bessere Komposition, robustere Anatomie. Wird zum neuen Open-Source-Standard.

Midjourney v5 / v5.1 / v5.2 verbessern Hände, Realismus, Konsistenz. v5.1 führt den „Niji”-Modus für Anime ein.

DALL-E 3 (Oktober 2023) wird in ChatGPT integriert. Versteht natürliche Sprache exzellent, ist aber filter-aggressiv und teuer.

ControlNet (Februar 2023) revolutioniert SD: präzise Pose-, Tiefen- und Edge-basierte Steuerung. Plötzlich kann man genau die Pose, Tiefenstaffelung oder Linienstruktur eines Referenzbildes auf ein neues Generat übertragen.

LoRAs werden Mainstream: kleine, trainierbare Adapter für Stile, Charaktere und Konzepte. Civitai wird zur größten Datenbank für SD-Community-Inhalte.

2024: Multimodalität und Geschwindigkeit

Midjourney v6 (Februar 2024) bringt deutlich realistischere Bilder, bessere Texte im Bild, weniger Hand-Probleme. v6.1 (Mitte 2024) verfeinert das.

Stable Diffusion 3 (Juni 2024) wird in mehreren Größen veröffentlicht. SD3 Medium ist kompakt, SD 3 Large hat 8 Mrd. Parameter. Die Akzeptanz bleibt begrenzt, weil die Community-Tooling für SDXL ausgereifter ist.

SDXL Turbo und LCM-LoRAs machen Generation in unter einer Sekunde möglich. Lightning-Variants brauchen nur 4 Steps.

Flux.1 von Black Forest Labs (August 2024) ist die neue Open-Source-Sensation: Apache-2.0-Lizenz (Schnell-Variante), exzellente Photorealismus-Qualität, beste Text-im-Bild aller Modelle, Pro-Version via API verfügbar. Wird schnell zum neuen Realismus-Standard.

ControlNet+, IP-Adapter, Inpainting werden Tagesgeschäft. Wer 2024 noch reine txt2img-Workflows nutzt, gilt als Anfänger.

2025-2026: Stabilität und Spezialisierung

Midjourney v6.1 bleibt 2025 die Cinematic-Referenz. v7-Gerüchte halten sich, aber keine bestätigte Veröffentlichung bis Mitte 2026.

SDXL bleibt der Open-Source-Workhorse, trotz Konkurrenz durch SD 3.5 und Flux. Die LoRA- und Custom-Model-Ökosysteme sind zu groß, um schnell zu migrieren.

Flux 1.1 Pro und Flux Schnell etablieren sich als ernsthafte SD-Alternative. Schnell-Variante läuft lokal auf 12 GB VRAM, Pro via API.

DALL-E 3 bleibt im OpenAI-Ökosystem, aber verliert Mindshare an Midjourney und Flux. Hauptanwendung: ChatGPT-Integration für nicht-technische Nutzer.

Spezial-Modelle: Pony Diffusion (Anime/Stil), Stable Cascade, Recraft (mit Vektor-Output). Jedes Modell besetzt eine Nische.

Was sich strukturell verändert hat

Datasets: Die Trainings-Basis ist zunehmend Konfliktfeld. Künstler-Klagen, Opt-Out-Initiativen (Spawning), neue Datasets mit konsentierter Quelle (Adobe Firefly, Getty AI).

Rechtsprechung: EU AI Act regelt seit 2024 Transparenz-Pflichten für KI-Generate. US-Klagen gegen Midjourney und Stability AI sind 2026 noch nicht final entschieden.

Workflow: Reine txt2img-Workflows sind Anfänger-Niveau. Profis arbeiten mit ComfyUI-Pipelines aus Inpainting + ControlNet + LoRA-Stacks + Upscaling-Chains. Tools wie Krita-AI integrieren das in klassische Bildbearbeitung.

Monetarisierung: Stockfoto-Markt wandelt sich. Adobe Stock und Getty haben eigene KI-Kategorien mit Royalty-Modellen für die Trainingsdaten-Lieferanten. Klassische Stockfotografen wandern zu Custom-Commissions ab.

Die offene Frage

2026 ist die Branche reifer, aber unentschieden:

Open-Source (SDXL, Flux Schnell) vs Closed (Midjourney, DALL-E, Flux Pro)
Speed (4-Step-Lightning) vs Qualität (50-Step-Pro)
Stil-Vielfalt (SD-Custom-Models) vs Out-of-the-Box-Polish (Midjourney)

Die Wette für die nächsten Jahre: Open-Source holt qualitativ auf, Closed-Modelle differenzieren sich über Workflow-Integration und Spezialfunktionen (z. B. perfekte Text-Renderings, Charakter-Konsistenz über mehrere Bilder).

Geschichte der KI-Bild-Generation: von DALL-E 1 bis Flux 2026