Inpainting erklärt: KI-gestütztes Auffüllen von Bildbereichen

Inpainting ist eine der faszinierendsten Anwendungen moderner KI in der Bildbearbeitung. Was früher stundenlanges manuelles Retuschieren erforderte, erledigen heutige Modelle in Sekunden und oft auf einem Qualitätsniveau, das von Hand kaum erreichbar wäre. Dieser Artikel erklärt, wie die Technik funktioniert und was sie leisten kann.

Der Begriff Inpainting

Das Wort “Inpainting” leitet sich von “in-painting” ab, also dem Einfügen oder Ergänzen von Malerei. Im klassischen Kunsthandwerk bezeichnet es die Restaurierung beschädigter Gemälde: Fehlende Farbschichten werden von Restauratoren behutsam ergänzt, um das Werk wieder vollständig erscheinen zu lassen.

In der digitalen Bildverarbeitung meint Inpainting dasselbe Prinzip: Ein Bereich des Bildes wird als fehlend markiert, und der Algorithmus füllt ihn mit plausiblem Bildinhalt auf Basis der Umgebung.

Klassisches Inpainting: Diffusion und Patch-basierte Verfahren

Die ersten digitalen Inpainting-Algorithmen arbeiteten nach mathematischen Prinzipien. Das bekannteste frühe Verfahren ist die PDE-basierte Diffusion: Bildstrukturen wie Kanten und Farbverläufe werden von den Rändern des markierten Bereichs aus in dessen Inneres propagiert.

Ein anderer früher Ansatz ist das Patch-basierte Inpainting. Dabei sucht der Algorithmus im übrigen Bild nach Bildausschnitten, die gut zum zu füllenden Bereich passen, und setzt diese ein. Das liefert oft gute Ergebnisse bei Texturen, scheitert aber bei Motiven mit komplexen Strukturen.

Beide Methoden sind deterministisch, also bei gleicher Eingabe stets gleiche Ausgabe, und ohne großen Rechenaufwand nutzbar. Sie sind jedoch schnell überfordert, wenn der fehlende Bereich groß ist oder der Hintergrund komplex.

KI-Inpainting mit neuronalen Netzen

Der eigentliche Durchbruch kam mit tiefen neuronalen Netzen. Diese Modelle lernen nicht, was “mathematisch korrekt” ist, sondern was “visuell plausibel” aussieht, indem sie auf Millionen von Bildpaaren trainiert werden.

Generative Adversarial Networks (GANs) waren die erste Generation dieser Modelle. Ein Generator erzeugt einen Vorschlag für den fehlenden Bereich, ein Diskriminator prüft, ob das Ergebnis “echt” wirkt. Durch diesen gegenseitigen Wettbewerb werden die Ergebnisse immer besser.

Diffusionsmodelle: Der aktuelle Stand

Seit 2022 dominieren Diffusionsmodelle das Feld. Diese Modelle lernen, ausgehend von reinem Rauschen, schrittweise ein kohärentes Bild zu erzeugen. Beim Inpainting wird der bekannte Bildbereich bei jedem Schritt fest gehalten, während der maskierte Bereich iterativ aufgefüllt wird.

Bekannteste Modelle dieser Art sind Stable Diffusion und ähnliche Open-Source-Systeme. Sie können nicht nur fehlende Bereiche rekonstruieren, sondern auch neue Inhalte auf Basis von Textbeschreibungen erzeugen. Für reines Inpainting ohne Texteingabe werden oft spezialisierte Varianten verwendet, die ausschließlich auf Basis des Bildkontexts arbeiten.

Vorteile von Diffusionsmodellen beim Inpainting:

• Sehr hohe visuelle Qualität auch bei großen Bereichen
• Natürliche Variationen statt wiederholter Muster
• Gute Handhabung komplexer Strukturen wie Haare, Grashalme oder Gewebe

Nachteile:

• Höherer Rechenaufwand als klassische Methoden
• Ergebnisse sind nicht deterministisch, also bei gleichem Input leicht unterschiedlich
• Bei sehr spezifischen Motiven kann der Kontext fehlinterpretiert werden

Wie Masken die Qualität beeinflussen

Das Ergebnis eines Inpainting-Prozesses hängt stark davon ab, wie präzise die Maske gesetzt wird. Die Maske ist der Bereich, den Sie als “zu füllen” markieren.

Eine zu enge Maske, die das Objekt nicht vollständig abdeckt, lässt Reste zurück. Eine zu großzügige Maske gibt dem Modell zwar mehr Spielraum, entfernt aber auch Bildinformation, die für die Rekonstruktion nützlich gewesen wäre.

Gute Praxis: Markieren Sie das Objekt etwas großzügiger als nötig, aber vermeiden Sie es, wichtige Hintergrundstrukturen zu überdecken. Viele Werkzeuge erlauben es, die Maskengröße nach einer ersten Berechnung anzupassen.

Inpainting im Browser

Für die meisten Anwendungsfälle muss keine Software installiert werden. Das Werkzeug auf wasserzeichen-entferner.de führt das Inpainting direkt im Browser durch. Das bedeutet: Ihre Bilder verlassen im Betrieb nicht Ihr Gerät, und Sie benötigen keine leistungsstarke Hardware.

Die Bedienung ist auf Einfachheit ausgelegt: Bild laden, Bereich mit dem Pinsel markieren, Berechnung starten. Das Ergebnis kann direkt heruntergeladen werden.

Grenzen des KI-Inpaintings

So leistungsfähig KI-Inpainting auch ist, es gibt Fälle, in denen das Ergebnis nicht perfekt ausfällt:

Wenn der fehlende Bereich eine bestimmte, im Bild sichtbare Struktur enthüllen müsste, zum Beispiel ein Gebäude hinter einer Person, kann das Modell diese Struktur nicht kennen und erfindet stattdessen etwas Plausibles.

Bei sehr großen Bereichen kann das Modell intern inkonsistente Strukturen erzeugen, etwa Linien, die sich nicht zu einem stimmigen Muster zusammenfügen.

In solchen Fällen hilft eine Kombination aus KI-Inpainting und manueller Nachbearbeitung mit dem Klonstempel.

Fazit

Inpainting hat sich von einem mathematischen Nischenverfahren zu einem der leistungsfähigsten Bildbearbeitungswerkzeuge entwickelt. Für das Entfernen von Wasserzeichen, Datumsstempeln und kleinen störenden Objekten aus eigenen Bildern bietet es heute die schnellste und oft überzeugendste Lösung.