Fragen Sie zehn KI-Künstler, was ein matschiges, ausgewaschenes Ergebnis gerettet hat, und die meisten nennen den Prompt, den Sampler, vielleicht den Upscaler. Kaum jemand nennt den VAE. Das ist der merkwürdige Teil. Der VAE ist das Letzte, was Ihr Bild berührt, bevor Sie es überhaupt sehen, und er hat mehr über Farbe und feine Details zu sagen, als seine Unbekanntheit vermuten lässt. Tauschen Sie ihn aus, und ein flaches, graues Porträt kann in saubere Hauttöne und scharfe Wimpern umschlagen, ohne dass sich ein einziges Wort am Prompt ändert.
Es lohnt sich also zu wissen, was dieses Bauteil eigentlich tut und warum der Standard-VAE Sie manchmal im Stich lässt.
Der Decoder, den Sie vergessen hatten zu nutzen
Diffusionsmodelle wie Stable Diffusion malen nicht in Pixeln. Sie arbeiten in einem komprimierten Raum, dem Latent, in dem ein 1024-Pixel-Bild auf ein kleines Zahlengitter zusammengedrückt wird. Die Entrauschungsschleife — all die Schritte, die Sie durchlaufen sehen — passiert in diesem engen Raum. Sie ist genau deshalb schnell, weil er klein ist.
Aber ein Gitter aus Latent-Zahlen ist kein Bild. Irgendetwas muss es zurück in die Millionen Rot-, Grün- und Blauwerte übersetzen, die Ihr Bildschirm braucht. Dieser Übersetzer ist der VAE, kurz für variational autoencoder. Seine eine Hälfte, der Encoder, schrumpft im Training echte Bilder zu Latents. Die andere Hälfte, der Decoder, bläst Latents wieder zu Pixeln auf. Wenn Sie Kunst erzeugen, läuft nur der Decoder, und er läuft ein einziges Mal, ganz am Ende.
Hier liegt der Haken. Diese finale Expansion ist verlustbehaftet. Der Decoder rät, wie er Details rekonstruiert, die er zuvor wegkomprimiert hat. Ein schwacher Decoder rät schlecht: Haut wird plastikartig, tiefe Schatten werden zu Matsch, gesättigte Rottöne laufen aus, und winzige Merkmale wie Zähne oder entfernte Fenster lösen sich in Schlieren auf. Nichts davon ist die Schuld des Modells. Das Latent enthielt die Information. Der VAE hat sie auf dem Weg nach draußen vermasselt.
Warum der eingebaute enttäuscht
Jedes Checkpoint bringt einen VAE eingebaut mit. Viele davon sind in Ordnung. Viele sind es nicht, und einige wenige sind stillschweigend defekt — manche älteren zusammengeführten Modelle tragen einen VAE, der über jedes Ergebnis einen stumpfen Schleier legt; das verräterische Zeichen sind Bilder, die aussehen, als hätte jemand einen dünnen grauen Film auf der Linse hinterlassen.
Der ursprüngliche VAE von Stable Diffusion 1.5 ist das klassische Beispiel. Er funktioniert, aber er beschneidet helle Werte und weicht feine Textur auf. Stability AI veröffentlichte später einen verbesserten Ersatz, jenen, den alle den „ema“-VAE nennen, länger trainiert und darauf abgestimmt, Details besser zu halten. Setzen Sie ihn anstelle des Standards ein, und derselbe Seed, derselbe Prompt, dieselben Schritte kommen schärfer und ehrlicher in den Farben heraus. Sonst hat sich nichts bewegt. Der Unterschied liegt vollständig in diesem letzten Decode.
SDXL erzählte eine ähnliche Geschichte. Sein Start-VAE hatte eine numerische Eigenart, die die Leute zwang, ihn in voller 32-Bit-Genauigkeit zu betreiben, um schwarze oder durch NaN beschädigte Bilder zu vermeiden. Eine korrigierte „fp16-fixed“-Version folgte und wurde zum Standard-Download, weil sie den Decoder in halber Genauigkeit laufen ließ, ohne auseinanderzufallen. Wenn Sie je ein völlig gutes SDXL-Bild erzeugt haben, das als schwarzes Rechteck ankam, haben Sie diesen Fehler kennengelernt.
Was ein VAE beheben kann und was nicht
Richten Sie hier Ihre Erwartungen aus, denn der VAE bekommt Schuld und Lob für Dinge, mit denen er nichts zu tun hat. Komposition, Pose, Motiv, Stil — all das wird vorher entschieden, im Latent, vom Modell und Ihrem Prompt. Der Decoder kann keinen Finger hinzufügen, der nie da war, und kein Gesicht neu zeichnen. Er rendert nur, was das Latent bereits beschreibt.
Was er tatsächlich steuert, ist enger und real:
- Farbtreue. Sättigung, Kontrast, wie sauber helle und dunkle Werte halten, ohne zu beschneiden oder Farbstiche zu zeigen.
- Feine Textur. Poren, einzelne Haare, Gewebestruktur, Laub, das ganze kleine hochfrequente Zeug, das als „scharf“ gelesen wird.
- Artefaktunterdrückung. Ein besserer VAE schneidet den grauen Schleier, den öligen Glanz und die fleckigen Stellen weg, die ein schwacher hinterlässt.
Das ist ein bedeutsamer Teil des finalen Looks. Es ist kein Zauberstab.
Gekacheltes Decodieren, der stille Arbeiter
Es gibt einen zweiten Grund, warum Künstler zu VAE-Einstellungen greifen, und er hat nichts mit Ästhetik zu tun. Speicher. Ein großes Bild in einem Durchgang zu decodieren ist teuer, und auf einer bescheidenen Grafikkarte ist der VAE-Schritt oft genau die Stelle, an der der Speicher ausgeht — die Erzeugung läuft durch, dann stürzt sie beim finalen Decode ab, was zum Verzweifeln ist.
Gekacheltes VAE-Decodieren behebt das. Es zerschneidet das Latent in überlappende Kacheln, decodiert jede einzelne und fügt sie wieder zusammen. Die Überlappung verbirgt die Nähte. Plötzlich bewältigt eine Karte, die an einem 4K-Render erstickte, dieses Bild, zum Preis von etwas mehr Zeit. Die meisten ComfyUI- und Automatic1111-Setups bieten das als Ein-Klick-Option an, und für jeden, der große Drucke macht, ist es fast unverzichtbar.
Wie man einen tatsächlich testet
Sie brauchen keine Theorie, um einen VAE auszuwählen. Sie brauchen eine Kontrolle. Fixieren Sie einen Seed, schreiben Sie einen Prompt mit einem Gesicht und etwas gesättigter Farbe — ein roter Mantel vor grünem Laub funktioniert gut, weil er sowohl Haut als auch auslaufanfällige Kanäle beansprucht — und erzeugen Sie ihn mit Ihrem aktuellen VAE. Tauschen Sie dann einen Kandidaten ein und lassen Sie genau dasselbe laufen. Legen Sie die beiden nebeneinander.
Schauen Sie an drei Stellen. Augen und Zähne, auf Schärfe. Das hellste Glanzlicht und der tiefste Schatten, auf Beschneidung und Schleier. Jeder große Block gesättigter Farbe, auf Auslaufen an den Rändern. Gewinnt der Tausch an diesen Stellen, behalten Sie ihn. Ändert er nichts, was Sie sehen können, hat der eingebaute VAE seine Arbeit schon getan, und Sie haben sich einen Download und eine Abhängigkeit erspart.
Eine Warnung. VAEs sind an Modellfamilien gebunden. Ein SD-1.5-VAE auf einem SDXL-Checkpoint, oder ein Flux-VAE auf einem von beiden, wird nicht einfach schlechter aussehen — er wird Müll produzieren, verwürfelte Farbe und Rauschen, weil die Latent-Layouts nicht zusammenpassen. Passen Sie den VAE jedes Mal zur Architektur.
Der letzte Abschnitt ist noch Teil der Kunst
Es ist leicht, die Erzeugung in dem Moment für beendet zu halten, in dem sich der Entrauschungsbalken füllt. Das ist sie nicht. Es gibt noch eine Übersetzung, und sie ist die, die zwischen Ihrem Latent und Ihren Augen steht. Künstler, die sie ignorieren, liefern flachere, schleierigere Arbeit ab, als ihre Modelle leisten könnten, und wissen nie warum. Künstler, die sie lernen, bekommen sauberere Farbe und schärfere Details zum Preis eines Dropdown-Menüs.
Kleiner Hebel, sichtbares Ergebnis. Das ist das meiste am Handwerk generativer Kunst — zu wissen, welche stille Einstellung heimlich die halbe Arbeit macht. Wollen Sie ein Werkzeug, bei dem diese Entscheidungen schon eingestellt sind, damit Sie sich auf das Bild konzentrieren können? Probieren Sie es auf ai-art-designer.de.
Bilder: AI-Designed
Dieser Beitrag ist auch verfügbar auf:
Deutsch