KI und generierte Medien # KI-Bildersetzung: Masken, Inpainting und Prüfung Ersetzen Sie Bildbereiche mit KI und halten Sie Auswahlmasken, verlässliche Quelldaten, visuelle Kontinuität und redaktionelle Prüfung sichtbar. Veröffentlicht am 13. August 2026 ## Wichtigste Erkenntnisse * Speichern Sie die Bearbeitungsmaske und die geschützten Bereiche dauerhaft, damit Prüfende genau erkennen können, welche Pixel ein Modell ersetzen durfte. * Verwenden Sie dokumentiertes Inpainting unter /image/generate für die maskenbasierte Synthese und verwenden Sie deterministisches Compositing, wenn das Ersatz-Asset exakt erhalten bleiben muss. * Überschreiben Sie niemals die freigegebene Quelle; behandeln Sie generierte Ersetzungen als prüfbare Kandidaten mit dokumentierter Herkunft. Mit KI kann sich ein komplexer Retuschevorgang wie ein einzelner Prompt anfühlen, doch Auswahl und Prüfung bestimmen weiterhin die Qualität. Kleine Maskenfehler können Hände, Text, Kanten, Spiegelungen und Objekte verändern, die nie geändert werden sollten. ## In diesem Leitfaden 1. [Synthese oder exaktes Compositing gezielt auswählen](#ai-image-replacement-section-1) 2. [An der Quelle ausgerichtete Masken und geschützte Bereiche erstellen](#ai-image-replacement-section-2) 3. [Dokumentierte Bild- und Maskenrollen für Inpainting verwenden](#ai-image-replacement-section-3) 4. [Quelle, Maske, Kandidat und freigegebene Ausgabe aufbewahren](#ai-image-replacement-section-4) 5. [Kanten, Licht, Text und physikalische Logik prüfen](#ai-image-replacement-section-5) 6. [Maske vor der Erweiterung der Modellfreiheit überarbeiten](#ai-image-replacement-section-6) 7. [Verhindern, dass veraltete Bearbeitungen einer geänderten Quelle folgen](#ai-image-replacement-section-7) ## Synthese oder exaktes Compositing gezielt auswählen Ersetzung kann bedeuten, ein freigegebenes Motiv einzufügen, neue Pixel innerhalb eines Bereichs zu generieren oder nach dem Entfernen einen Hintergrund neu aufzubauen. Exaktes Compositing eignet sich, wenn das eingefügte Objekt oder der Text unverändert bleiben muss. Inpainting eignet sich nur, wenn eine plausible Synthese zulässig und überprüfbar ist. Legen Sie die geschützten Quellbereiche, den gewünschten Austausch, die Vorgaben für Beleuchtung und Perspektive, die Ausgabeplatzierungen sowie den deterministischen Fallback fest. Überlassen Sie es nicht dem bequemsten Modell zu entscheiden, ob Nachweise, Produktdetails, Identität oder Markentext verändert werden dürfen. ## An der Quelle ausgerichtete Masken und geschützte Bereiche erstellen Erstellen Sie die Maske anhand der exakten normalisierten Quelle und speichern Sie Breite, Höhe, Prüfsumme, Ausrichtung und Maskenkonvention. Weiche Kanten können die visuelle Überblendung verbessern, aber auch geschützte Pixel für Änderungen freigeben. Prüfen Sie die Ausrichtung mit einem Overlay, bevor Sie die Anfrage senden. Verwenden Sie getrennte Bereiche für bearbeitbare Pixel, geschützte Motivdetails und die kontextbezogene Prüfung. Wenn die Größe der Quelle geändert oder die Quelle gedreht wird, transformieren oder regenerieren Sie die Maske bewusst. Verwenden Sie eine Maske nach dem Austausch der Quelle niemals nur deshalb erneut, weil die Abmessungen zufällig übereinstimmen. ## Dokumentierte Bild- und Maskenrollen für Inpainting verwenden Die folgende Assembly weist zwei Uploads die semantischen Rollen `image` und `mask` für `/image/generate` mit einem Inpainting-Modell zu. Benennen Sie Upload-Felder semantisch oder verwenden Sie Anweisungen mit `as`, und beschreiben Sie ausschließlich die beabsichtigte maskierte Änderung. Die Antwort bleibt ein Kandidat und ist keine freigegebene Bearbeitung. Validieren Sie Dateityp, Abmessungen und Decodierbarkeit und vergleichen Sie anschließend die geschützten Bereiche mit der Quelle. Speichern Sie Modell, Prompt-Version, Quelle, Maske und Nachweise zur Verarbeitung durch den Anbieter. Eine erfolgreiche Anfrage belegt weder die exakte Erhaltung noch die visuelle Konsistenz. Inpainting mit zwei Uploads durchführen: Quellbild und Maske ``` { "steps": { ":original": { "robot": "/upload/handle" }, "inpainted": { "use": [ { "name": ":original", "as": "image" }, { "name": ":original", "as": "mask" } ], "robot": "/image/generate", "model": "stability-ai/stable-diffusion-inpainting", "prompt": "Replace only the masked area with the approved subject. Keep the rest of the image unchanged.", "format": "png" } } } ``` ## Quelle, Maske, Kandidat und freigegebene Ausgabe aufbewahren Modellausgabe, Korrektur durch die prüfende Person und finales Auslieferungsderivat sind separate Datensätze. Bewahren Sie das Original unverändert auf und erhalten Sie den Kandidaten auch dann, wenn eine redaktionell verantwortliche Person gemäß den Richtlinien eine korrigierte Version erstellt. Dieser Verlauf ermöglicht ein Zurücksetzen und macht nachvollziehbar, welche Änderungen maschinell erzeugt oder von Menschen genehmigt wurden. Führen Sie die deterministische Größenänderung, Optimierung und den Export nach der Freigabe aus oder halten Sie diese Ausgaben unter Quarantäne. Trennen Sie Retries nach Verarbeitungsphase: Bei einem Speicherfehler darf Inpainting nicht erneut ausgeführt werden, und ein Inferenzfehler darf weder die Quelle noch ein zuvor freigegebenes Asset zerstören. ## Kanten, Licht, Text und physikalische Logik prüfen Prüfen Sie Maskenkanten, Verdeckungen, Schatten, Reflexionen, Maßstab, Perspektive, Texturwiederholungen, Anatomie, Text, Logos und kausale Konsistenz. Prüfen Sie sowohl das Masterbild als auch jeden Zielausschnitt. Automatisierte Pixelvergleiche können unveränderte Bereiche schützen, während Menschen Plausibilität und Bedeutung beurteilen. Verwenden Sie echte Bearbeitungsbriefings und Negativfälle, bei denen Compositing oder keine Änderung gewählt werden sollte. Erfassen Sie Akzeptanz, Korrekturzeit, Abweichungen in geschützten Bereichen und den Ablehnungsgrund. Eine hohe ästhetische Bewertung kann weder veränderte Nachweise noch eine Ersetzung ausgleichen, die gegen das vorgegebene Briefing verstößt. ## Maske vor der Erweiterung der Modellfreiheit überarbeiten Wenn ein Kandidat an einer Grenze scheitert, prüfen Sie die Ausrichtung der Maske und die geschützten Bereiche, bevor Sie den Prompt oder den bearbeitbaren Bereich erweitern. Eine größere Maske kann die unmittelbare Naht verbergen, zugleich aber weitere unbeabsichtigte Änderungen zulassen. Wenn Kontrolle entscheidend ist, bevorzugen Sie eine präzisere technische Korrektur oder exaktes Compositing. Begrenzen Sie Retries und behandeln Sie Verweigerung, Zeitüberschreitung, fehlerhaft formatierte Ausgaben, fehlgeschlagene Erhaltungsprüfungen und die Ablehnung durch Prüfende als separate Endzustände. Sorgen Sie dafür, dass für Nutzer sichtbare Änderungen wiederherstellbar bleiben, und lassen Sie niemals zu, dass ein später Kandidat eine neuere Quelle oder Entscheidung überschreibt. ## Verhindern, dass veraltete Bearbeitungen einer geänderten Quelle folgen Versionieren Sie Quelle, Maske, Prompt, Modell, Prüfkriterien und abschließenden Workflow gemeinsam. Bevor Sie einen Callback akzeptieren oder einen Kandidaten veröffentlichen, vergleichen Sie dessen Quellprüfsumme und Bearbeitungsgeneration mit dem aktiven Datensatz. Kennzeichnen Sie nicht übereinstimmende Ausgaben als veraltet, anstatt zu versuchen, sie zu übertragen. Überwachen Sie Unterschiede bei geschützten Pixeln, Ablehnungsgründe, Retries, Korrekturen, Anbieterdrift, Latenz und Kosten nach Bearbeitungstyp. Führen Sie nach Anbieteränderungen feste Quell-Masken-Paare erneut aus und halten Sie die zuvor freigegebene Ausgabe verfügbar, bis der Ersatz die Prüfung bestanden hat. ## Wissenswerte technische Details * Aufgabengrenze: Die KI-Bildersetzung verwendet eine Maske und Anweisungen, um ein neues Objekt oder einen neuen Bereich innerhalb eines bestehenden Bildes zu synthetisieren. Inpainting synthetisiert Pixel innerhalb einer Maske; Compositing platziert bekannte Quellpixel, während Retusche deterministische lokale Bearbeitungen verwenden kann. * Eingabevertrag: Stellen Sie eine präzise, an der Quelle ausgerichtete Maske, geschützte Bereiche, Einschränkungen für den Austausch und Referenzen bereit. Bewahren Sie dabei die Information, welche Pixel aus dem Original stammen. Die Eingabevorbereitung muss zusammen mit dem Modell bewertet werden, da die Vorverarbeitung sowohl Nachweise als auch Störungen entfernen kann. * Ausgabevertrag: Erstellen Sie einen Kandidaten mit einer an der Quelle ausgerichteten Bearbeitungsmaske, Angaben zur Herkunft von Prompt und Modell, einer Dokumentation geschützter Regionen, dem Prüfstatus und einer freigegebenen Sammlung von Derivaten. Eine gültige Antwort beweist nicht, dass ein vorhergesagtes Label, eine vorhergesagte Region oder ein generiertes Pixel korrekt ist. * Methodenwahl: Verwenden Sie Inpainting unter /image/generate mit einem explizit unterstützten Modell, wenn eine Synthese akzeptabel ist und das Ergebnis visuell und sachlich geprüft werden kann. Bevorzugen Sie deterministisches Compositing, wenn ein bekanntes Ersatz-Asset exakt erhalten bleiben muss. Modellnamen allein geben weder Aufschluss über Trainingsdaten, Schwellenwerte, Latenz oder Lizenzierung noch über das Fehlerverhalten eines bereitgestellten Systems. * Bewertung: Prüfen Sie Maskengrenzen, Beleuchtung, Perspektive, wiederkehrende Muster, die Integrität von Text und Logos, physikalische Plausibilität, Quelltreue und Korrekturzeit. Aggregierte Bewertungen sollten nach Inhaltstyp segmentiert werden, damit häufige einfache Beispiele Fehler bei wichtigen Grenzfällen nicht verdecken. * Fehler und Sicherheit: Ein fehlgeschlagener Ersatz muss die freigegebene Quelle unverändert lassen und die Überarbeitung der Maske, deterministisches Compositing oder eine manuelle Bearbeitung als explizite Ausweichoption anbieten. Legen Sie wesentliche Bearbeitungen offen, wenn der Kontext dies erfordert, und prüfen Sie Ersetzungen, die Personen, Belege, Produkte, Marken oder regulierte Aussagen betreffen. * Betrieb: Speichern Sie Masken und geschützte Bereiche, versionieren Sie Prompts und Modelle, überwachen Sie Ablehnungsgründe und verhindern Sie, dass überarbeitete Quell-Assets veraltete Bearbeitungen übernehmen. ## Ein praxisnaher Ansatz 1. 1\ Halten Sie die Entscheidung, das Ausgabeschema und die Ablehnungskriterien für die maskenbasierte KI-Bildersetzung fest. 2. 2\ Erstellen Sie einen repräsentativen Evaluierungsdatensatz für die maskenbasierte KI-Bildersetzung und bewahren Sie jede Quelle, jede Entscheidung zur Vorverarbeitung und jeden Provenienznachweis auf. 3. 3\ Bewerten Sie den vollständigen Workflow anhand repräsentativer Nachweise und vergleichen Sie das Ergebnis mit vordefinierten, aufgabenspezifischen Akzeptanzkriterien. 4. 4\ Führen Sie die maskenbasierte KI-Bildersetzung mit expliziten Prüf- und Fallback-Pfaden ein und überwachen Sie anschließend die Betriebssignale, anhand derer sich entscheidet, ob sie weiterhin nützlich ist. Ein vierstufiger Medien-Workflow ## Wann Transloadit hilfreich ist Verwenden Sie /image/generate mit zwei separaten Uploads – einem Quellbild und einer Maske –, die über semantische Feldnamen oder Anweisungen mit as gekennzeichnet sind. Verwenden Sie /image/resize für freigegebene Derivate und Robots zur Speicherung, um Quelle, Maske, Kandidaten und geprüftes Endergebnis aufzubewahren. ## Architekturgrenze Transloadit /image/generate dokumentiert Inpainting mit Bild und Maske, einschließlich expliziter Rollen für Bild und Maske sowie unterstützter Optionen wie stability-ai/stable-diffusion-inpainting. Die Ergebnisse bleiben modellabhängig; verwenden Sie eine spezialisierte Lösung nur, wenn die dokumentierten Modelle oder der dokumentierte Vertrag die erforderliche Bearbeitung nicht abdecken. ## Häufig gestellte Fragen ### Ist Inpainting dasselbe wie das Einfügen eines exakten Ersatzes in ein Bild? Nein. Inpainting synthetisiert Pixel entsprechend dem Modellverhalten. Verwenden Sie deterministisches Compositing, wenn das eingefügte Objekt, Logo, der Text oder Produktdetails exakt erhalten bleiben müssen. ### Warum muss die Maske an eine Prüfsumme der Quelle gebunden sein? Maskenkoordinaten beschreiben genau ein Bild. Ein veränderter Zuschnitt, eine andere Ausrichtung, eine Größenänderung oder eine andere Quelle kann dazu führen, dass eine gleich aussehende Maske die falschen Pixel bearbeitet. ### Sollte eine fehlerhafte Kante zu einer größeren Maske führen? Nicht automatisch. Prüfen Sie zuerst Ausrichtung, Polarität, weiche Maskenkanten und geschützte Bereiche. Eine Vergrößerung der Maske erweitert den Bereich, in dem das Modell unbeabsichtigte Änderungen vornehmen kann. ### Was sollte nach dem Inpainting automatisch verglichen werden? Validieren Sie Dateien und Abmessungen, stellen Sie die Identität von Quelle und Maske sicher und vergleichen Sie geschützte Bereiche mit einer angemessenen Toleranz. Ob das Ergebnis visuell und semantisch akzeptabel ist, entscheidet weiterhin die menschliche Prüfung. ## Erstellen Sie den Workflow Entwickeln Sie das Konzept mithilfe der Robot-Dokumentation und funktionsfähiger Demos zu einer getesteten Assembly weiter. ### Relevante Robots * [/image/generate](/de/docs/robots/image-generate.md) * [/image/resize](/de/docs/robots/image-resize.md) * [Lesen Sie die API-Dokumentation](/de/docs.md) * [Entdecken Sie funktionsfähige Demos EN (English)](/demos.md) * [Kostenlosen Workspace erstellen](/c/signup/) KI und generierte Medien ## Mit verwandten Leitfäden fortfahren * [KI-Bildanalyse: Aufgaben, Architektur und Schutzmaßnahmen](/de/guides/ai-image-analysis.md)\ Verstehen Sie Klassifizierung, Detektion, OCR, Bildbeschreibung, Embeddings und Moderation als unterschiedliche Bildanalyseaufgaben. * [Prüfworkflow für KI-gestützte Bildmetadaten](/de/guides/ai-for-media-seo.md)\ Nutzen Sie KI für Medien-SEO, wo sie wirklich hilft: bei Inventarisierung, Metadatenvorschlägen, barrierefreien Entwürfen und messbarer Asset-Optimierung. * [KI-Produktbildgenerierung mit Schutzmaßnahmen auf SKU-Ebene](/de/guides/ai-product-image-generation.md)\ Generieren Sie Produktbilder, ohne Merkmale, Farben, Verpackungen oder Aussagen zu erfinden, die Kunden mit dem echten Produkt verwechseln könnten. * [Generative KI im E-Commerce: fünf praktische Beispiele](/de/guides/generative-ai-in-ecommerce.md)\ Nutzen Sie generative KI für fünf E-Commerce-Aufgaben und schützen Sie Katalogfakten, Kanalvorgaben, Freigaben und deterministische Ausgaben. * [KI-basierte Videoanalyse: Signale, Metriken und Architektur](/de/guides/ai-video-analytics.md)\ Entwerfen Sie KI-Videoanalysen, die Inhaltssignale, Wiedergabetelemetrie, Geschäftsereignisse, Evaluation und zeitlich abgestimmte Nachweise trennen.