Charakterkonsistenz ist das eigentliche Qualitätskriterium
Wer heute mit KI Bild-zu-Video arbeitet, erlebt schnell denselben Moment der Ernüchterung: Einzelne Clips sehen spektakulär aus, doch sobald dieselbe Figur in mehreren Einstellungen auftreten soll, bricht die Illusion. Die Gesichtsform verschiebt sich, die Frisur wird länger oder kürzer, die Jacke wechselt von Leder zu Baumwolle, und plötzlich trägt die Hauptfigur in Szene drei ein völlig anderes Gesicht als in Szene eins. Zuschauer können diesen Bruch selten benennen, aber sie spüren ihn sofort. Die Aufmerksamkeit sinkt, das Vertrauen in die Geschichte ebenfalls.
Genau hier setzt Multi-Image-Fusion an. Statt eine Figur aus einem einzigen Referenzbild abzuleiten, arbeitet das System mit mehreren Ansichten, Perspektiven und Details derselben Identität. Es extrahiert Merkmale, die über alle Bilder hinweg stabil bleiben, und trennt sie von Merkmalen, die sich ändern dürfen: Pose, Hintergrund, Lichtstimmung, Kamerawinkel. Das Ergebnis sind Videos, in denen eine Figur über zehn oder zwanzig Einstellungen hinweg glaubwürdig dieselbe bleibt.
Für alle, die Serienformate, erklärende Videos, Markenfiguren, Kurzfilme oder Social-Media-Content produzieren, ist das kein Nice-to-have, sondern die Grundlage jeder wiederverwendbaren Figur. Dieser Leitfaden zeigt, wie Multi-Image-Fusion praktisch funktioniert, wie du Referenz-Sets aufbaust, wie du Prompts formulierst, welche Workflows sich bewährt haben und welche Fehler dich Wochen an Nacharbeit kosten.
Wie Multi-Image-Fusion technisch funktioniert
Klassische Bild-zu-Video-Pipelines nehmen ein Startbild und erzeugen daraus Bewegung. Das Modell kennt nur einen Zustand der Figur und muss alle anderen Ansichten erraten. Bei kurzen, statischen Clips funktioniert das überraschend gut. Bei Schwenks, Drehungen oder Perspektivwechseln entstehen jedoch Drift und Identitätsverlust, weil dem Modell schlicht die Information fehlt, wie die Figur von der Seite oder von hinten aussieht.
Multi-Image-Fusion erweitert diese Pipeline um eine Referenzkonditionierung. Mehrere Bilder derselben Figur werden parallel kodiert, ihre Merkmalsvektoren werden zu einem gemeinsamen Identitätsprofil verdichtet, und dieses Profil steuert die Generierung jedes einzelnen Frames mit. Wichtig ist dabei die Trennung von Identitätsmerkmalen und Stilmerkmalen. Ein gutes System lernt aus deinem Referenz-Set, dass die Figur eine bestimmte Augenform, Kinnlinie, Ohrenform und Körperproportion hat, aber es soll nicht lernen, dass die Figur immer vor einer grauen Wand steht.
Identitätsanker erkennen und verankern
Als Identitätsanker gelten Merkmale, die bei einer realen Person oder einer klar definierten Kunstfigur über alle Ansichten konsistent bleiben: Augenabstand, Nasenrücken, Lippenform, Kieferwinkel, Ohrenansatz, Halslänge, Schulterbreite, Handform. Hinzu kommen gestalterische Anker bei stilisierten Figuren: Haarfarbe und Frisur in einer definierten Länge, Narben, Tattoos, Brille, Schmuck, charakteristische Kleidungsstücke.
Ein häufiger Irrtum ist die Annahme, das Gesicht sei der einzige Anker. In der Praxis tragen Kleidung, Silhouette und Requisiten mindestens genauso viel zur Wiedererkennung bei. Eine Figur mit markanter Jacke und auffälliger Brille bleibt erkennbar, selbst wenn das Gesicht nach einem schwierigen Kamerawechsel leicht abweicht. Umgekehrt wirkt eine perfekt kopierte Gesichtsform fremd, sobald die Garderobe von Einstellung zu Einstellung springt.
Warum ein einzelnes Referenzbild selten reicht
Mit nur einer Ansicht muss das Modell den dreidimensionalen Raum erfinden. Es hat keine Information über den Hinterkopf, den Nacken, die Ohrenrückseite oder die Körperhaltung von schräg hinten. Das führt zu berüchtigten Artefakten: Der Kopf wirkt beim Drehen flach, die Frisur verschmilzt mit dem Hintergrund, die Schultern verformen sich. Ab drei bis fünf gut gewählten Ansichten sinkt die Fehlerrate deutlich, weil dem Modell die nötige geometrische Basis zur Verfügung steht.
Das Referenz-Set: Aufbau in fünf Schritten
Ein sauberes Referenz-Set ist wertvoller als jedes Prompt-Tuning. Der Aufwand von einer Stunde zahlt sich über das gesamte Projekt aus.
Schritt 1: Ansichten auswählen. Mindestens frontal, Dreiviertelansicht von links oder rechts und eine Profilansicht. Bei Figuren, die sich im Video bewegen, zusätzlich eine Ganzkörperaufnahme und eine Detailaufnahme der Kleidung.
Schritt 2: Beleuchtung vereinheitlichen. Weiches, diffuses Licht ohne harte Schatten. Unterschiedliche Lichtfarben zwischen den Referenzen verwirren das Identitätsprofil, weil das Modell Hautton und Konturen unterschiedlich interpretiert.
Schritt 3: Hintergrund neutralisieren. Ein einfarbiger, kontrastarmer Hintergrund verhindert, dass Umgebungsmuster in die Figur einfließen. Vermeide Referenzen vor unruhigen Kulissen, wenn die Zielszene eine andere Umgebung hat.
Schritt 4: Ausdruck und Pose begrenzen. Ein neutraler Gesichtsausdruck und eine entspannte, aufrechte Haltung liefern den klarsten Identitätskern. Extreme Grimassen oder starke Verdeckungen durch Hände, Haare oder Schals reduzieren die nutzbare Information.
Schritt 5: Auflösung und Schärfe prüfen. Gesichter sollten mindestens 512 Pixel in der längeren Kante belegen. Unscharfe, verrauschte oder komprimierte Referenzen verschlechtern das Ergebnis messbar, selbst wenn das Endvideo nur in Full HD ausgegeben wird.
Ein brauchbares Set umfasst also fünf bis acht Bilder: frontal, zwei Dreiviertelansichten, Profil, Ganzkörper, Kleidungsdetail und optional eine Aufnahme mit der typischen Requisite der Figur.
Prompting für stabile Figuren
Multi-Image-Fusion reduziert den Prompt-Druck, ersetzt ihn aber nicht. Der Textprompt beschreibt, was sich ändern soll, während die Referenzen beschreiben, wer sich nicht ändern darf. Diese Arbeitsteilung ist der Kern erfolgreicher Prompts.
Die Prompt-Formel
Bewährt hat sich eine Reihenfolge in vier Blöcken: Identität, Handlung, Umgebung, Kamera. Identität enthält nur die stabilen Merkmale in kurzer Form, etwa eine Figur mit kurzem dunklem Haar, Brille und dunkelgrüner Jacke. Handlung beschreibt die Bewegung präzise und knapp. Umgebung nennt Ort, Tageszeit und Lichtstimmung. Kamera legt Brennweite, Bewegung und Bildkomposition fest.
Beispiel: Die Figur mit kurzem dunklem Haar, Brille und dunkelgrüner Jacke geht langsam einen Korridor entlang und blickt nach links. Umgebung: modernes Bürogebäude, spätes Nachmittagslicht durch hohe Fenster. Kamera: langsame Kamerafahrt von links nach rechts, halbnahe Einstellung, 35 Millimeter.
Der entscheidende Punkt: Nichts im Prompt sollte der Referenz widersprechen. Wer im Prompt eine rote Jacke verlangt, während die Referenzen eine grüne zeigen, erzeugt einen Konflikt, den das Modell meist zugunsten des Textes auflöst und dabei die Identität beschädigt.
Negativ-Prompts und typische Artefakte
Negativ-Prompts sind kein Allheilmittel, aber sie helfen gegen wiederkehrende Fehler. Sinnvolle Einträge sind: zusätzliche Personen im Bild, verzerrte Hände, doppelte Gliedmaßen, verschwommene Gesichter, wechselnde Frisur, unnatürliche Proportionen, Text im Bild, Wasserzeichen. Halte die Liste kurz und spezifisch. Überladene Negativ-Prompts führen dazu, dass das Modell wichtige Details der Referenz mitunterdrückt.
Ein zweiter Hebel ist die Bewegung. Je stärker die Bewegung innerhalb eines Clips, desto geringer die Stabilität. Statt einer einzigen Einstellung mit schneller Drehung sind zwei bis drei kurze Einstellungen mit ruhiger Bewegung fast immer das bessere Ergebnis, auch weil sie sich im Schnitt präziser kontrollieren lassen.
Workflow: Vom Storyboard zum fertigen Clip
Ein reproduzierbarer Workflow schlägt jede Einzeloptimierung. Die folgende Reihenfolge hat sich in der Praxis bewährt.
Szene zerlegen und Shot-Liste bauen
Schreibe zuerst das Drehbuch, dann die Shot-Liste. Jeder Shot enthält genau eine Handlung, eine Kamerabewegung und eine Lichtstimmung. Alles, was darüber hinausgeht, gehört in einen eigenen Shot. Eine Shot-Liste mit zwölf Einstellungen für einen 30-Sekunden-Clip klingt nach viel, ist aber realistisch, weil kurze Einstellungen stabiler generieren und im Schnitt dynamischer wirken.
Ergänze in der Shot-Liste für jeden Eintrag drei Felder: welche Referenzbilder dominant sein sollen, welcher Prompt-Block sich ändert und welches Ergebnis akzeptabel ist. Diese Felder verhindern, dass du dich in Endlos-Iterationen verlierst.
Referenzbilder pro Shot zuordnen
Nicht jeder Shot braucht alle Referenzen gleich stark gewichtet. Eine Nahaufnahme profitiert von den frontalen und Dreiviertel-Referenzen. Eine Rückenansicht braucht zusätzliches Material, sonst erfindet das Modell Frisur und Nacken. Für Ganzkörperbewegungen sind Körperproportionen wichtiger als Gesichtsdetails. Wer diese Gewichtung bewusst steuert, bekommt sichtbar stabilere Ergebnisse.
Generieren, prüfen, verwerfen
Arbeite in kurzen Zyklen: drei bis fünf Varianten pro Shot generieren, die beste auswählen, sofort im Kontext prüfen. Ein Clip, der isoliert gut aussieht, kann im Schnitt neben der nächsten Einstellung falsch wirken. Prüfe deshalb immer mindestens zwei aufeinanderfolgende Shots nebeneinander, bevor du weiterproduzierst.
Übergänge, Licht und Schnitt
Die meisten wahrgenommenen Konsistenzfehler entstehen im Schnitt, nicht in der Generierung. Ein harter Schnitt zwischen zwei Einstellungen mit unterschiedlicher Farbtemperatur lässt dieselbe Figur fremd wirken. Gleiche deshalb in der Nachbearbeitung Weißabgleich, Kontrast und Sättigung über alle Einstellungen an. Ein leichter Farb-Look über dem gesamten Projekt verdeckt kleine Abweichungen zuverlässig.
Nutze Übergänge sparsam und bewusst. Ein Schnitt während einer Bewegung wirkt natürlicher als ein Schnitt im Stillstand, weil das Auge der Bewegung folgt und Abweichungen weniger stark registriert. Werkzeuge wie DaVinci Resolve, Premiere Pro oder CapCut reichen für diesen Schritt völlig aus.
Tools auswählen: Entscheidungskriterien statt Feature-Listen
Feature-Listen vergleichen selten das, was im Alltag zählt. Diese sechs Kriterien helfen bei der Auswahl.
Referenzkonditionierung: Wie viele Bilder akzeptiert das System, und lassen sich Gewichtungen setzen? Systeme, die nur ein Startbild plus Text verarbeiten, sind für konsistente Figuren ungeeignet.
Länge und Stabilität der Ausgabe: Kurze Clips mit hoher Stabilität sind im Schnitt oft wertvoller als lange Clips mit Drift. Prüfe außerdem, ob sich Clips verlängern oder nahtlos aneinanderreihen lassen.
Kontrolle über die Kamera: Lass dich nicht von spektakulären Demo-Videos täuschen. Entscheidend ist, ob du Kamerabewegung, Brennweite und Bildausschnitt gezielt steuern kannst.
Kombinierbarkeit: Passt das Tool in eine bestehende Pipeline, etwa mit separaten Werkzeugen für Upscaling, Gesichtsrestaurierung und Schnitt? Offene, kombinierbare Workflows sind langfristig flexibler als geschlossene All-in-One-Lösungen.
Reproduzierbarkeit: Kannst du denselben Shot mit denselben Einstellungen erneut erzeugen? Ohne Seed-Kontrolle und gespeicherte Parameter ist jede Korrektur ein Glücksspiel.
Rechte und Nutzung: Kläre vor dem Projekt, wie die erzeugten Inhalte kommerziell verwendet werden dürfen. Das gilt besonders für Referenzbilder realer Personen.
Praxisbeispiele
Beispiel 1: Erklärvideo mit Moderatorfigur. Eine Figur erklärt in zwölf Einstellungen ein Produkt. Referenz-Set: fünf Bilder bei weichem Studiolicht, identische Garderobe. Prompt-Blöcke identisch, nur Handlung und Kamera ändern sich. Ergebnis: Die Figur bleibt über alle Einstellungen erkennbar, weil sich der Hintergrund ändert, die Figur aber nicht.
Beispiel 2: Kurzfilm mit Bewegung. Eine Figur geht durch drei Räume. Das Set enthält zusätzlich eine Ganzkörperaufnahme und eine Aufnahme von hinten. Statt einer langen Kamerafahrt entstehen acht kurze Einstellungen, die im Schnitt zu einer durchgehenden Bewegung montiert werden. Das reduziert Drift erheblich.
Beispiel 3: Stilisierte Animationsfigur. Hier sind die Anker stärker designbasiert: feste Farbpalette, definierte Kopfform, klare Silhouette. Weil die Figur nicht fotorealistisch ist, toleriert das Modell mehr stilistische Abweichung, aber weniger Abweichung bei Proportionen. Ein zusätzliches Training auf die eigene Figur ist hier oft lohnend.
Häufige Fehler und ihre Gegenmittel
Zu wenige Referenzen. Drei Bilder sind ein Minimum, fünf bis acht sind besser. Wenn eine Perspektive im Video vorkommt, muss sie im Set vertreten sein.
Widersprüchliche Prompts. Wenn Text und Referenz sich widersprechen, verliert fast immer die Identität. Prüfe jeden Prompt gegen das Set.
Zu viel Bewegung pro Clip. Reduziere die Handlung pro Einstellung. Zwei ruhige Shots sind besser als ein hektischer.
Ignorierte Farbtemperatur. Konsistenz ist auch eine Frage des Looks. Einheitlicher Weißabgleich über alle Shots ist Pflicht.
Kein Testdurchlauf. Produziere zuerst einen kurzen Pilot mit drei Einstellungen. Erst wenn die Figur dort stabil bleibt, lohnt sich die Vollproduktion.
Referenzbilder mit Verdeckungen. Hände vor dem Gesicht, Schals oder starke Schatten zerstören die nutzbare Information. Wähle freie, klare Ansichten.
Zu hohe Erwartungen an ein einzelnes Werkzeug. Gesichtsrestaurierung, Upscaling und Farbanpassung gehören fast immer in separate Schritte. Eine Kombination aus mehreren Werkzeugen liefert die stabilsten Resultate.
Konsistenz messen und Qualität sichern
Baue eine einfache Prüfroutine ein. Vergleiche Gesichter zwischen Einstellungen mit einem Gesichtserkennungsmodell und berechne die Ähnlichkeit der Merkmalsvektoren. Werte über einem hohen Schwellenwert gelten als stabil. Zusätzlich hilft ein Farbhistogramm-Vergleich, um Lichtsprünge zu erkennen. Für Kleidung und Requisiten liefert ein Bild-Text-Modell brauchbare Ähnlichkeitswerte.
Ergänze diese automatischen Prüfungen um eine manuelle Bewertung auf einer Skala von eins bis fünf für Gesicht, Garderobe, Proportionen und Licht. Notiere jeden Shot mit Werten und Begründung. Nach zwei Projekten erkennst du Muster: Bestimmte Kamerawinkel verursachen systematisch Abweichungen, bestimmte Referenzen funktionieren besser. Dieses Wissen ist wertvoller als jedes einzelne Ergebnis.
FAQ
Wie viele Referenzbilder brauche ich wirklich? Für stabile Ergebnisse mindestens fünf: frontal, zwei Dreiviertelansichten, Profil und Ganzkörper. Bei Figuren, die sich häufig drehen, kommen Rückenansicht und Kleidungsdetail hinzu.
Warum verändert sich das Gesicht bei schnellen Bewegungen? Schnelle Bewegungen erzeugen wenige klar definierte Frames, aus denen das Modell die Identität rekonstruieren kann. Reduziere die Bewegungsgeschwindigkeit oder teile die Einstellung in mehrere kurze Shots.
Reicht ein trainiertes Modell ohne Referenzen? Ein eigenes, auf die Figur trainiertes Modell erhöht die Stabilität deutlich, ersetzt aber kein sauberes Referenz-Set. In der Praxis kombiniert man beides: Training für die Grundidentität, Referenzbilder für die konkrete Szene.
Wie gehe ich mit mehreren Figuren in einer Einstellung um? Arbeite mit klar getrennten Referenz-Sets und beschreibe die Position jeder Figur explizit im Prompt. Zwei Figuren in einer Einstellung sind deutlich schwerer stabil zu halten als eine. Wenn möglich, löse die Szene in Einzeleinstellungen mit Gegenschnitten auf.
Was mache ich bei schlechten Händen? Hände sind ein bekanntes Problem. Halte sie außerhalb des Bildes, verdecke sie teilweise oder korrigiere sie in der Nachbearbeitung mit einem Gesichts- und Detailrestaurierungswerkzeug. Vermeide komplizierte Handbewegungen im Prompt.
Wie lang sollten die fertigen Clips sein? Drei bis sechs Sekunden pro Einstellung sind ein guter Richtwert. Längere Clips brauchen mehr Stabilität und zeigen eher Drift.
Kann ich dieselbe Figur in einem anderen Projekt weiterverwenden? Ja, wenn du das Referenz-Set und die Prompt-Blöcke dokumentierst. Lege für jede Figur einen Ordner mit Referenzen, Stilangaben, Farbwerten und bewährten Prompt-Bausteinen an. Das macht Figuren zu wiederverwendbaren Assets statt zu Einzelanfertigungen.
Worauf sollte ich vor dem Start besonders achten? Kläre Nutzungsrechte, definiere die Anker der Figur schriftlich und produziere einen kurzen Pilot. Diese drei Schritte sparen die meiste Nacharbeit, weil sie Fehler früh sichtbar machen, statt sie erst im finalen Schnitt aufzudecken.
