Tippen Sie „ein Ritter links, ein Drache rechts“ in ein Diffusionsmodell und beobachten Sie, was passiert. Sie bekommen einen Ritter mit Schuppen. Einen Drachen mit Schwert. Manchmal ein einziges Wesen, das zur Hälfte aus beidem besteht, mittig zusammengenäht. Das Modell liest „links“ und „rechts“ nicht so, wie Sie es tun. Es verrührt den ganzen Prompt zu einer Suppe und gießt sie über das gesamte Bild.
Regional Prompting behebt das. Statt eines Prompts für das ganze Bild teilen Sie die Leinwand in Zonen und geben jeder Zone ihre eigene Anweisung. Der Ritter-Prompt berührt nur die linke Seite. Der Drachen-Prompt nur die rechte. Zwei Motive, ein Bild, kein Verschmelzen.
Warum das Modell alles ineinander verschmiert
Ein Diffusionsmodell baut ein Bild, indem es ein Feld aus Rauschen entrauscht, gelenkt von Ihrem Text. Diese Lenkung wirkt global. Jedes Wort im Prompt zerrt an jedem Pixel. „Rotes Kleid“ und „blauer Mantel“ im selben Prompt ergeben deshalb oft ein violettes Kleidungsstück, einen roten Mantel oder ein Kleid, das zum Saum hin ins Blaue verläuft. Das Modell kennt kein „hier“ gegenüber „dort“.
Maler hatten dieses Problem nie. Sie setzen das Rot dorthin, wo Sie Rot wollen. Regional Prompting gibt Ihnen das zurück. Es teilt die Lenkung selbst auf, sodass ein Wort nur den Bildausschnitt beeinflusst, den Sie ihm zuweisen.
Wie die Aufteilung tatsächlich funktioniert
Der übliche Ansatz teilt das latente Bild in ein Raster oder in mehrere Masken. Werkzeuge wie die Regional-Prompter-Erweiterung für Automatic1111, oder davor Latent Couple, erlauben Anweisungen wie „linke Hälfte, rechte Hälfte“ oder „oberes Drittel, mittleres Drittel, unteres Drittel“. Sie schreiben dann einen Prompt pro Region, getrennt durch ein Trennzeichen. In jedem Entrauschungsschritt führt der Sampler Ihre regionalen Prompts gegen ihre Masken aus und lässt jeden nur seinen eigenen Bereich steuern.
Es gibt zwei Wege, die Trennung zu erzwingen. Attention-basierte Verfahren behalten einen Durchlauf, maskieren aber die Cross-Attention, damit eine Phrase nur ihre Region beachten kann. Latent-basierte Verfahren führen pro Region getrennte Entrauschungsdurchläufe aus und setzen die Ergebnisse zusammen. Attention-Masking verschmilzt die Kanten natürlicher. Latente Trennung liefert eine härtere Abgrenzung, die Sie etwa bei einem Diptychon wollen, dessen beide Hälften nicht ineinander bluten sollen.
Ein Basis-Prompt hält alles zusammen
Regionen allein ergeben eine Collage. Zwei Motive, keine gemeinsame Welt. Genau hier verdient sich ein Basis-Prompt seinen Platz. Sie schreiben eine globale Zeile für alles, was jede Region teilt — Licht, Medium, Farbpalette, Stimmung — und gewichten sie, oft um 0,2 bis 0,4, sodass sie das ganze Bild einfärbt, ohne die regionalen Details zu übersteuern.
Angenommen, Sie wollen ein Zwillingsporträt: eine Schwester im warmen Nachmittagslicht, eine im kalten blauen Schatten, gleicher Raum, gleiche Körnung. Der Basis-Prompt trägt „35-mm-Porträt, weiche Körnung, geringe Schärfentiefe, ein Raum“. Die linke Region sagt „warmes Fensterlicht, Bernsteintöne“. Die rechte sagt „kühler blauer Schatten, nach Norden gerichtet“. Die Basis hält beide in derselben Fotografie. Die Regionen halten sie als verschiedene Menschen in verschiedenem Licht.
Wo es verändert, was Sie machen können
Regional Prompting ist kein Kniff für Randfälle. Es erschließt ganze Bildkategorien, gegen die ein einzelner Prompt ankämpft.
- Szenen mit mehreren Figuren. Zwei oder drei Personen, die jeweils eigene Kleidung, Haare und Haltung brauchen, ohne dass sich ihre Merkmale gegenseitig verunreinigen.
- Vorder- und Hintergrund als getrennte Aufträge. Ein detailliertes Motiv vorn, eine völlig andere Umgebung dahinter, jede präzise beschrieben statt gemittelt.
- Bewusste Komposition. Sie entscheiden, was wohin gehört, bevor das Modell ein Pixel berührt. Himmel oben, Figur in der Mitte, Textur an der unteren Kante.
- Farbzonen. Ein Verlauf der Stimmungen über das Bild — warm zu kühl, Tag zu Dämmerung — den ein globaler Prompt zu einem einzigen flachen Ton verwaschen würde.
Der Haken, und wie Künstler ihn umgehen
Starre Raster hinterlassen Nähte. Eine harte senkrechte Teilung in der Mitte wirkt schnell wie zwei aneinandergeklebte Plakate, mit einer sichtbaren Linie dort, wo die Regionen zusammentreffen. Die Lösung sind Überlappung und weiche Kanten. Die meisten regionalen Werkzeuge lassen Sie Maskenränder weichzeichnen oder die Zonen um einen Rand überlappen, damit das Modell Spielraum hat, die Grenze auszuhandeln, statt zwei Welten aufeinanderprallen zu lassen.
Auch die Auflösung zählt. Regional Prompting glänzt bei breiteren Seitenverhältnissen — ein 3:2- oder 16:9-Bild gibt jeder Zone genug Pixel, um Details zu halten. Quetschen Sie drei Regionen in ein kleines Quadrat, hungert jede einzelne. Viele Künstler erzeugen breit und groß und beschneiden danach, statt in einem beengten Latent um Details zu ringen.
Und es belohnt Zurückhaltung. Zwei oder drei sauber gebriefte Regionen schlagen ein fummeliges Neun-Zellen-Raster, in dem Sie jede Kachel mikromanagen. Es geht um Kontrolle über die Komposition, nicht um eine Tabelle voller Prompts. Beginnen Sie mit der Aufteilung, die das Bild wirklich braucht, und hören Sie dort auf.
Komposition als die eigentliche Fähigkeit
Was Regional Prompting wirklich lehrt: Prompten ist nicht nur Wortwahl. Es ist Layout. Sobald Sie Absicht auf bestimmte Teile der Leinwand setzen können, denken Sie wie jemand, der ein Gemälde vorskizziert — Masse auf dieser Seite, Leerraum auf jener, eine Farbe für eine Ecke reserviert. Das Modell ist kein Automat mehr, den Sie mit Adjektiven füttern, sondern eine Fläche, auf der Sie komponieren.
Das ist die stille Verschiebung unter all diesen Techniken. Jede gibt ein Stück des Bildes an den Künstler zurück. Regional Prompting reicht die Landkarte weiter.
Sie möchten Kompositionen aus mehreren Zonen bauen und genau bestimmen, was wohin gehört? Probieren Sie es in unseren Werkzeugen auf ai-art-designer.de und sehen Sie, wie weit ein gut platzierter Prompt trägt.
Bilder: AI-Designed
Dieser Beitrag ist auch verfügbar auf:
Deutsch