Multi-Image Fusion: Konsistente Charaktere im KI-Video

Warum Charakterkonsistenz das eigentliche Qualitätsproblem ist

Wer regelmäßig mit generativen Videomodellen arbeitet, kennt das Muster: Der erste Clip sitzt. Frisur, Licht, Augenpartie, Proportionen – alles wirkt glaubwürdig. In der zweiten Einstellung ist die Nase plötzlich schmaler, der Haaransatz sitzt tiefer, die Kieferlinie wirkt runder, und die Haut hat einen anderen Grundton. In der dritten Einstellung trägt die Figur zwar dieselbe Kleidung, aber die Schuhe sind anders, und der Ring an der rechten Hand ist verschwunden.

Dieses Phänomen wird als Identity Drift bezeichnet. Es ist kein Zufallsfehler eines einzelnen Modells, sondern eine strukturelle Eigenschaft von Diffusions- und Videogenerierungsarchitekturen. Jede neue Generierung beginnt mit einem anderen Rauschen, einer anderen latenten Ausgangslage. Selbst bei identischem Textprompt entsteht dadurch ein statistisch verwandtes, aber nicht identisches Ergebnis. Für einzelne Testclips ist das unproblematisch. Sobald eine Figur jedoch über mehrere Szenen hinweg erzählen soll, wird Drift zum Kernproblem jeder Produktion.

Die Lösung liegt nicht darin, den perfekten Prompt zu finden. Text ist ein zu grobes Steuerinstrument, um Gesichtsgeometrie, Materialbeschaffenheit und Requisiten über Dutzende Einstellungen hinweg zu fixieren. Stattdessen braucht es visuelle Anker: mehrere Referenzbilder derselben Figur, die während der Generierung zusammengeführt und ausgewertet werden. Genau dafür existiert Multi-Image Fusion.

Multi-Image Fusion erklärt: Was technisch wirklich passiert

Multi-Image Fusion bedeutet nicht, dass Pixel gemittelt oder Bilder übereinandergelegt werden. Das Verfahren arbeitet auf der Ebene latenter Merkmale. Die Referenzbilder werden in den latenten Raum des Modells übersetzt, wo sie als Vektoren für Gesichtszüge, Körperbau, Kleidung, Farbpalette und Lichtcharakter dienen. Diese Vektoren werden anschließend gewichtet und mit dem Textprompt sowie der gewünschten Kameraeinstellung kombiniert.

Entscheidend ist die Gewichtung. Ein Referenzbild, das die Figur frontal bei neutralem Licht zeigt, liefert ein anderes Signal als eine Aufnahme im Dreiviertelprofil mit hartem Seitenlicht. Gute Fusionspipelines gewichten Referenzen danach, wie hochwertig, wie scharf und wie repräsentativ sie für die Zielansicht sind. Manche Systeme erlauben es, einzelnen Bildern eine höhere Priorität zuzuweisen, andere arbeiten mit automatischer Ähnlichkeitsprüfung.

Referenzbilder statt reiner Textbeschreibung

Beschreibungen wie „braune Augen, leichtes Grübchen links, kantige Kieferpartie" sind nützlich, aber selten reproduzierbar. Zwei Personen, die denselben Text lesen, stellen sich unterschiedliche Gesichter vor – und ein Modell tut im Prinzip dasselbe. Referenzbilder eliminieren diese Interpretationslücke. Sie liefern ein konkretes Ziel statt einer Beschreibung des Ziels.

Der zweite Vorteil: Referenzen transportieren Details, die sich sprachlich kaum sauber beschreiben lassen. Narben, Sommersprossenmuster, Zahnstellung, der genaue Farbverlauf eines Stoffes oder die Form eines Brillengestells. Solche Merkmale entscheiden darüber, ob eine Figur über Szenen hinweg als dieselbe Person erkannt wird.

Die Rolle bei Stil- und Szenenwechseln

Multi-Image Fusion ist nicht nur für Gesichtstreue relevant. Sie hält eine Figur auch dann stabil, wenn sich der Stil oder die Umgebung ändert. Ein Wechsel von Tageslicht im Innenraum zu Nachtaufnahme im Regen verändert Schatten, Kontrast und Farbtemperatur. Ohne Referenzanker passt das Modell die Figur an die neue Lichtsituation an – und verändert dabei oft unbeabsichtigt Hautton und Gesichtskontur.

Mit Fusion kannst du getrennt steuern: Eine Referenzgruppe definiert die Identität, eine zweite Referenzgruppe definiert den Look der Szene. So bleibt die Figur gleich, während die Bildsprache wechselt. Diese Trennung von Identität und Atmosphäre ist der wichtigste konzeptionelle Hebel für längere Projekte.

Identity Drift messen, bevor er das Projekt ruiniert

Drift ist schleichend. Deshalb sollte Qualitätssicherung nicht am Ende stattfinden, sondern nach jeder Generierungsrunde. Ein einfacher Kontaktabzug – alle Standbilder des Clips nebeneinander – macht Abweichungen sofort sichtbar. Prüfe dabei sechs Kriterien:

• Gesichtsgeometrie: Abstand der Augen, Breite des Kiefers, Form der Nase
• Hautton und Textur: Farbtemperatur, Sommersprossen, Muttermale
• Haaransatz und Volumen: Linie an der Stirn, Länge, Struktur, Glanz
• Kleidung: Schnitt, Saumlänge, Kragenform, Stofffalten
• Requisiten: Schmuck, Brille, Taschen, Waffen, Werkzeuge
• Silhouette: Schulterbreite, Körpergröße im Verhältnis zum Bildausschnitt

Notiere Abweichungen sofort mit Timecode. Wenn du dieselbe Passage nachgenerierst, ohne die Ursache zu kennen, wiederholst du denselben Fehler mit anderem Rauschen. Häufige Ursachen sind zu wenige Referenzen, widersprüchliche Referenzen, ein zu aggressiver Bewegungsprompt oder ein Szenenwechsel, der mehrere Parameter gleichzeitig verändert.

Das Referenzset: die 6-Shot-Methode

Für die meisten Projekte reichen sechs hochwertige Referenzbilder aus, sofern sie strategisch gewählt sind. Photorealistische, scharfe Bilder funktionieren besser als stilisierte Illustrationen, digitale Malereien oder Bilder mit starker Nachbearbeitung. Achte außerdem darauf, dass alle Referenzen dieselbe Person zeigen – Mischungen aus zwei ähnlichen Gesichtern erzeugen einen Mittelwert, der wie eine dritte, fremde Person wirkt.

Blickwinkel und Lichtsituationen

Ein gutes Set deckt die Ansichten ab, die im fertigen Video tatsächlich vorkommen:

1. Frontal, neutrales Licht – dient als primärer Anker für Gesichtsproportionen
2. Dreiviertel links – stabilisiert Nasenrücken und Wangenpartie
3. Dreiviertel rechts – verhindert asymmetrische Verzerrungen
4. Profil – fixiert Stirnlinie, Kinn und Halspartie
5. Halbnah mit Interaktion – zeigt Hände, Gestik, Körperhaltung
6. Ganzkörper – definiert Proportionen und Kleidungsfall

Vermeide harte Gegenlichtaufnahmen, extreme Weitwinkelverzerrungen und Bilder mit Bewegungsunschärfe. Sie liefern widersprüchliche Signale und verschlechtern das Ergebnis, obwohl sie visuell attraktiv wirken.

Kleidung, Requisiten und Szenenanker

Wenn die Figur im Video mehrere Outfits trägt, lege für jedes Outfit ein eigenes Set an. Ein einziges Set mit vier verschiedenen Jacken führt dazu, dass das Modell Kleidungsmerkmale mischt – ein Kragen von hier, ein Ärmel von dort. Besser: Referenzgruppe A für Business-Look, Gruppe B für Freizeit, Gruppe C für Kampfszenen. Beim Generieren wählst du die passende Gruppe aus.

Requisiten verdienen eigene Referenzbilder, wenn sie erzählerisch wichtig sind. Eine bestimmte Uhr, eine Brille oder eine Tasche, die in jeder Einstellung erkennbar sein soll, gehört als Detailaufnahme ins Set. Auch Umgebungsanker helfen: ein wiederkehrender Raum, ein Fahrzeug, ein Arbeitsplatz. Sie stabilisieren nicht die Figur, sondern die Welt um sie herum.

Workflow von der Charakterbibel zum fertigen Clip

Ein reproduzierbarer Ablauf schlägt jede Improvisation. Die folgende Reihenfolge hat sich in der Praxis bewährt.

Schritt 1: Charakterbibel anlegen

Erstelle ein Dokument mit festen Attributen: Name, Alter, Körpergröße, Haarfarbe, Augenfarbe, besondere Merkmale, Lieblingsoutfit, Accessoires. Notiere außerdem, welche Merkmale variabel sein dürfen – etwa ein Bart, der im Verlauf der Geschichte wächst. Diese Trennung von fixen und variablen Attributen verhindert später widersprüchliche Prompts.

Schritt 2: Referenzbilder erzeugen und kuratieren

Generiere zunächst eine breite Auswahl an Porträts und wähle die sechs besten aus. Kriterium ist nicht Schönheit, sondern Eignung: Schärfe, neutraler Ausdruck, klare Lichtsituation, keine Verdeckungen. Speichere die Dateien mit sprechenden Namen wie figur-lin-frontal-neutral.png statt IMG_0421.png. Ein sauber benanntes Set spart bei jeder weiteren Runde Zeit.

Schritt 3: Keyframes mit Fusion generieren

Beginne mit Standbildern, nicht mit Bewegungsclips. Keyframes sind billiger, schneller zu prüfen und leichter zu korrigieren. Generiere pro Szene zwei bis drei Varianten, vergleiche sie gegen die Charakterbibel und behalte nur die beste. Erst wenn die Standbilder überzeugen, sollte Bewegung ins Spiel kommen.

Schritt 4: Bewegung mit stabilen Ankern

Beim Übergang zum Clip bleibt das Referenzset aktiv. Reduziere Bewegungsintensität und Kamerafahrten in den ersten Sekunden. Schnelle Schwenks, Zooms und Körperdrehungen belasten die Konsistenz am stärksten. Wenn du eine dynamische Einstellung brauchst, generiere sie in zwei Stufen: ruhige Ausgangsbewegung, dann ein zweiter Lauf mit mehr Dynamik.

Schritt 5: Szenenwechsel vorbereiten

Bei einem Schnitt wechseln oft Umgebung, Licht, Kleidung und Kamerawinkel gleichzeitig. Das ist die schwierigste Situation für jedes Modell. Entschärfe sie, indem du an den Schnittstellen bewusst Kontinuität einbaust: dieselbe Lichtrichtung, dieselbe Farbtemperatur, ein sichtbares Requisit aus der vorherigen Szene. So erkennt das Modell die Verbindung leichter.

Schritt 6: Qualitätskontrolle und Archivierung

Prüfe jede Einstellung gegen die sechs Kriterien aus dem vorherigen Abschnitt. Versioniere anschließend alle Freigaben und alle verworfenen Varianten. Verworfene Läufe sind wertvoll: Sie zeigen, welche Referenzkombination nicht funktioniert, und verhindern, dass du denselben Fehler in einer Woche erneut machst.

Fusion oder Einzelbild-Prompting? Entscheidungskriterien

Nicht jedes Projekt braucht ein aufwendiges Referenzset. Die Wahl hängt von Länge, Anspruch und Wiedererkennbarkeit ab.

Situation	Empfehlung
Einzelner Clip, keine Fortsetzung	Einzelbild-Referenz genügt
Zwei bis drei Einstellungen, gleiche Umgebung	Ein bis zwei Referenzen pro Figur
Serie mit wiederkehrender Hauptfigur	Sechs-Teil-Set pro Figur und Outfit
Mehrere Figuren in einer Szene	Getrennte Sets plus Szenenanker
Werbespot mit Produkt	Produktreferenzen höher gewichten als Figur
Dokumentarischer Look	Viele Umgebungsreferenzen, weichere Identität

Die Faustregel: Je mehr Einstellungen dieselbe Figur zeigt, desto stärker zahlt sich ein sauberes Referenzset aus. Bei einem einzelnen Clip ist der Aufwand oft größer als der Nutzen. Bei einer zehnteiligen Serie spart es dagegen mehrere vollständige Neuproduktionen.

Prompt-Vorlagen für konsistente Fusion-Läufe

Ein guter Prompt beschreibt Situation und Kamera, nicht die Identität. Identität kommt aus den Referenzen. Wiederhole also nicht Haarfarbe und Augenfarbe im Text – das konkurriert mit den Bildsignalen und erzeugt Widersprüche.

Vorlage für eine ruhige Szene:

[Figur-Referenzset A] + [Szenenanker] | halbnah, leichte Untersicht, 35 mm, weiches Tageslicht von links, ruhige Kamerafahrt nach rechts, realistische Hauttextur, natürliche Farben, keine Stilisierung

Vorlage für eine Nachtszene:

[Figur-Referenzset A] + [Szenenanker Nacht] | amerikanische Einstellung, 50 mm, warmes Kunstlicht, Regen auf Haut, Reflexionen im Vordergrund, langsame Rückwärtsfahrt, Filmkorn fein

Vorlage für einen Actionschnitt:

[Figur-Referenzset A] + [Outfit-Set C] | dynamische Perspektive, kurze Brennweite, Bewegungsunschärfe nur im Hintergrund, Gesicht scharf, harte Kontraste, kühle Farbpalette

Negativlisten sind hilfreich, aber sparsam einzusetzen: „keine Stilisierung, keine zusätzlichen Personen, keine Texturen im Gesicht, kein Weitwinkel" deckt die häufigsten Störungen ab, ohne das Modell zu überfordern. Zu lange Negativlisten führen dazu, dass das Modell die Prioritäten verliert.

Häufige Fehler und wie du sie behebst

Fehler 1: Zu viele Referenzen mit unterschiedlicher Qualität. Sechs scharfe Bilder schlagen zwanzig gemischte. Reduziere auf die besten und prüfe, ob alle dieselbe Lichtsituation zeigen.

Fehler 2: Identität im Prompt doppelt beschrieben. Wenn du „dunkle Locken" schreibst und die Referenz glattes Haar zeigt, entsteht ein Kompromiss. Beschreibe im Text nur, was sich ändern soll.

Fehler 3: Bewegung zu früh. Starte jede Szene mit einer ruhigen Einstellung als Anker. Erst danach mehr Bewegung.

Fehler 4: Widersprüchliche Outfit-Referenzen im selben Set. Trenne Outfits konsequent in eigene Gruppen.

Fehler 5: Kein Kontaktabzug. Ohne visuellen Vergleich übersiehst du Drift, bis die ganze Sequenz unbrauchbar ist.

Fehler 6: Szenenwechsel mit zu vielen Änderungen. Ändere pro Schnitt maximal zwei Parameter: entweder Licht und Ort oder Outfit und Kamerawinkel – nicht alles gleichzeitig.

Fehler 7: Verwaiste Referenzdateien. Wenn die Charakterbibel auf Bilder verweist, die umbenannt oder verschoben wurden, bricht der Workflow. Halte Struktur und Namen stabil.

Referenzen organisieren: Ordner, Versionen, Teamarbeit

Konsistenzarbeit ist zu großen Teilen Dateiverwaltung. Eine flache Struktur mit klaren Namen funktioniert besser als tiefe Verschachtelung:

projekt/charaktere/lin/refs/, projekt/charaktere/lin/outfits/business/, projekt/szenen/03-nachtcafe/frames/, projekt/szenen/03-nachtcafe/renders/v01/

Versioniere Renders als v01, v02, v03 und notiere im Änderungsprotokoll, welche Referenzgruppe verwendet wurde. In Teamkonstellationen sollte genau eine Person die Verantwortung für das Referenzset tragen. Sobald mehrere Beteiligte Bilder hinzufügen, entsteht eine inkonsistente Sammlung, deren Fehler schwer nachvollziehbar sind.

Trenne außerdem Rohmaterial und Freigaben. Was freigegeben ist, wird nicht mehr überschrieben. Diese Regel klingt banal, verhindert aber die häufigste Ursache für plötzlich auftretende Inkonsistenzen in späten Projektphasen.

Wann du Fusionsarbeit bewusst weglassen solltest

Nicht jede Produktion profitiert. Bei abstrakten Visuals, Landschaftsaufnahmen, Produktanimationen ohne Gesichter oder bewusst surrealen Sequenzen ist Identitätsstabilität nebensächlich. Auch bei Stilen, die von Natur aus stark variieren – handgezeichnete Animation, Collage, Glitch-Ästhetik – kann ein rigides Referenzset die gewünschte Wirkung zerstören.

Ein weiterer Grenzfall: Figuren, die sich im Verlauf der Geschichte verändern sollen. Narben, Alterung, Verletzungen oder ein Wechsel der Frisur sind erzählerische Werkzeuge. Hier brauchst du keine Fusion, die alles fixiert, sondern eine bewusste Staffelung: Ausgangsset für die frühe Phase, modifiziertes Set für die spätere. Dokumentiere den Übergang, damit die Veränderung wie Absicht und nicht wie Drift aussieht.

FAQ: Häufige Fragen zur Multi-Image Fusion

Wie viele Referenzbilder sind optimal?
Für die meisten Projekte reichen vier bis acht. Unter vier fehlt dem Modell Information, über zwölf steigt die Wahrscheinlichkeit widersprüchlicher Signale. Qualität und Konsistenz der Auswahl sind wichtiger als die Anzahl.

Funktioniert Fusion auch mit stilisierten Referenzen?
Ja, aber nur innerhalb desselben Stils. Mische keine fotorealistischen und illustrierten Referenzen, weil das Modell sonst einen unbrauchbaren Mittelweg erzeugt. Wähle einen Look und bleibe konsequent.

Warum verändert sich die Figur trotz gutem Referenzset?
Meist liegt es an einem widersprüchlichen Textprompt, an zu starker Bewegung oder an einem Szenenwechsel mit zu vielen gleichzeitigen Änderungen. Prüfe diese drei Punkte zuerst.

Muss ich für jede Einstellung neu generieren?
Nein. Sobald ein Keyframe überzeugt, kannst du ihn als Ausgangspunkt für die Bewegung nutzen. Das reduziert Drift deutlich gegenüber einer völligen Neugenerierung.

Wie gehe ich mit Nebenfiguren um?
Auch Nebenfiguren brauchen ein kleines Set, wenn sie in mehreren Einstellungen auftreten. Zwei bis drei Referenzen genügen. Achte darauf, dass sie sich klar von der Hauptfigur unterscheiden – ähnliche Gesichtstypen verschmelzen im Modell leichter als erwartet.

Wie lange dauert der Aufbau eines guten Referenzsets?
Rechne mit ein bis drei Stunden pro Hauptfigur, inklusive Auswahl, Benennung und Testläufen. Diese Investition amortisiert sich bereits ab etwa fünf Einstellungen, weil Nachgenerierungen entfallen.

Kann ich Referenzsets zwischen Projekten wiederverwenden?
Nur innerhalb desselben Stils und derselben Bildsprache. Ein Set aus einem weichen Tageslichtprojekt liefert in einer harten Nachtproduktion andere Ergebnisse. Lege für jedes Projekt eigene Kopien an, statt Referenzen projektübergreifend zu verlinken.

Was ist der wichtigste einzelne Hebel?
Die Trennung von Identität und Atmosphäre. Figurenreferenzen definieren, wer zu sehen ist. Szenenanker definieren, wo und wie. Wer diese beiden Ebenen getrennt hält, löst die meisten Konsistenzprobleme, bevor sie entstehen.