Mit freundlicher Unterstützung von
← Zurück zu GenAI & Content Creation
Bildgewichtung in Stable Diffusion bezeichnet die Techniken zur differenzierten Steuerung von Prompt-Elementen durch Klammern, Zahlenwerte, BREAK-Kommandos und die Verknüpfung mehrerer Prompts mit AND, um präzisere Kontrolle über die Bildgenerierung zu erlangen.

Rubrik: GenAI & Content Creation · Unterrubrik: Stable Diffusion · Niveau: Fortgeschritten


Was ist Bildgewichtung?

Stable Diffusion verarbeitet Textprompts nicht als gleichwertige Liste von Begriffen. CLIP teilt den Prompt in Tokens auf und verarbeitet jeden Token in einem semantischen Kontext. Die Reihenfolge der Begriffe, ihre Häufigkeit und, mit spezieller Syntax, ihre explizite Gewichtung beeinflussen, wie stark jeder Begriff die Bildgenerierung steuert.

AUTOMATIC1111 implementiert eine spezifische Gewichtungssyntax, die über die Standard-CLIP-Verarbeitung hinausgeht. ComfyUI und andere Interfaces implementieren ähnliche, aber nicht immer identische Syntaxformen.


Erklärung

Runde Klammern, Gewicht erhöhen

`` (Begriff) → Gewicht ×1.1 ((Begriff)) → Gewicht ×1.21 (1.1²) (((Begriff))) → Gewicht ×1.33 (1.1³) (Begriff:1.5) → Gewicht ×1.5 (explizit) (Begriff:2.0) → Gewicht ×2.0 ``

Jede Ebene runder Klammern multipliziert das Gewicht mit 1.1. Über :Faktor lässt sich das Gewicht exakt angeben. Empfehlung: Selten über 1.5 gehen, höhere Werte führen oft zu Artefakten.

Beispiel: `` "(golden hour lighting:1.3), portrait of a woman, (sharp focus:1.2)" `` Beleuchtung und Schärfe werden stärker gewichtet als das Basis-Sujet.

Eckige Klammern, Gewicht verringern

`` [Begriff] → Gewicht ×0.909 (1/1.1) (Begriff:0.7) → Gewicht ×0.7 (explizit, runde Klammer) ``

Zwei eckige Klammern ineinander ergeben ×0,826 (1/1,1²). Achtung: Eine Zahl in eckigen Klammern senkt nicht das Gewicht. [Begriff:0.7] ist in AUTOMATIC1111 Prompt Editing und fügt den Begriff erst nach 70 % der Steps hinzu; [A:B:0.5] wechselt nach der Hälfte der Steps von A zu B. Explizite Abschwächung schreibt man als (Begriff:0.7).

Gewichtsfaktor je Klammer-Ebene in AUTOMATIC1111
×0,826zwei eckige Klammern
×0,909eine eckige Klammer
×1ohne Klammer
×1,1eine runde Klammer
×1,21zwei runde Klammern
×1,33drei runde Klammern
Quelle: AUTOMATIC1111, Stable Diffusion WebUI Wiki, Features, Attention/emphasis, und dieser Eintrag, Stand November 2026

Abschwächung ist seltener, aber nützlich, um Elemente zu dämpfen, ohne sie vollständig auszuschließen:

`` "landscape photography, [blue tones], warm sunset" `` Blautöne werden angedeutet, aber warm überwiegt.

BREAK, Kompositions-Reset

`` "[Komposition oben], [Stil] BREAK [Komposition unten], [anderer Stil]" ``

AUTOMATIC1111 verarbeitet Prompts in Abschnitten (Chunks) zu je 75 Tokens. BREAK (in Großbuchstaben) füllt den aktuellen Abschnitt mit Füllzeichen auf, der Text danach beginnt einen neuen Abschnitt. Jeder Abschnitt wird von CLIP getrennt kodiert, die Ergebnisse werden anschließend aneinandergehängt. In der Praxis kann das helfen, Attribute sauberer zu trennen, eine vollständige Trennung von Person und Hintergrund garantiert es nicht.

Typischer Einsatz: `` "elegant woman in a red dress, standing, full body BREAK modern city background, blue hour, bokeh" → Person und Hintergrund werden getrennt konditioniert ``

AND, Kompositions-Kombination

`` "Bild A AND Bild B" ``

AND (in Großbuchstaben) nutzt Composable Diffusion: Mehrere Prompts werden getrennt ausgewertet und ihre Vorhersagen kombiniert. Ein Gewicht steht hinter dem jeweiligen Teil-Prompt, Standard ist 1:

`` "a cat :1.2 AND a dog AND a penguin :2.2" ``

Nützlich für Style-Blending, aber weniger präzise als BREAK für räumliche Komposition.

Prompt-Reihenfolge

CLIP verarbeitet Token in einem Kontextfenster. Frühe Token im Prompt haben in der Regel stärkeren Einfluss als spätere. Die wichtigsten Beschreibungselemente sollten daher am Prompt-Anfang stehen:

`` Empfohlene Struktur: [Hauptsujet], [wichtigster Stil], [Komposition], [Beleuchtung], [Kamera/Optik], [Qualitätsmodifikatoren] ``

Token-Limit beachten

CLIP hat ein Kontextfenster von 77 Tokens (Unterworte, nicht Wörter), davon sind 75 für den Prompt nutzbar. Reine Stable-Diffusion-Implementierungen schneiden längere Prompts ab. AUTOMATIC1111 hebt die Grenze auf: Längere Prompts werden automatisch in 75-Token-Abschnitte geteilt, einzeln kodiert und aneinandergehängt (150, 225 Tokens usw.). Die Einstellung „Token merging ratio“ hat damit nichts zu tun, sie beschleunigt die Berechnung.


Schritt-für-Schritt / Einrichtung

Gewichtungsexperiment mit X/Y-Plot

`` Script: X/Y/Z Plot X-Type: Prompt S/R (Search and Replace) X-Values: (golden hour lighting), (golden hour lighting:0.5), (golden hour lighting:1.3), (golden hour lighting:1.8) Fixed alle anderen Parameter → Vergleicht Auswirkung verschiedener Gewichtungsstufen ``

Häufige Gewichtungsmuster

``` "(oil painting, impressionist:1.4), [person], [landscape]"

"(woman in focus:1.2), (blurry background:0.8)"

"cyberpunk aesthetic, (neon lights:1.1), (dark atmosphere:1.1), detailed, cinematic" ```


Beispiele (5 konkrete Anwendungsfälle)

  1. Beleuchtungs-Dominanz bei Fotografie: (dramatic side lighting:1.4), portrait, neutral background, die Beleuchtungsanweisung dominiert die Komposition, was zu konsistenten Lichtmoments-Portraits führt.
  2. Stil-Reinheit bei Illustration: Für einen klaren Anime-Stil werden konkurrierende Realismus-Elemente gedämpft: (anime style:1.3), detailed illustration, [photorealistic], [photograph], das Modell bleibt im Anime-Raum.
  3. Person+Hintergrund-Trennung via BREAK: (detailed portrait of a chef:1.2), white chef jacket, professional BREAK modern restaurant kitchen, warm lighting, bokeh background, sauberere Attribut-Zuordnung ohne Cross-Contamination.
  4. Kompositions-Balance: Für Bilder mit mehreren gleichwertigen Elementen: (mountain landscape:1.0), (reflection in lake:1.0), (dramatic clouds:0.9), sunset, alle Elemente erscheinen ohne einen dominanten Fokus.
  5. Subtile Stil-Mischung: portrait in Rembrandt style :0.7 AND modern portrait photography :0.7 mischt über Composable Diffusion historische Malerei-Ästhetik und fotografische Präzision.

In der Praxis

Gewichtung vs. Häufigkeit

Eine Alternative zur Klammer-Gewichtung ist die Häufigkeit: blue sky, blue ocean, blue tones, blue light enthält „blue“ viermal und verstärkt den Farbeindruck ebenfalls. Klammer-Gewichtung ist präziser und besser reproduzierbar; Häufigkeit ist intuitiver.

Modellspezifisches Gewichtungsverhalten

Nicht alle Modelle reagieren gleich auf Gewichtungssyntax:

  • SD 1.5-basierte Modelle: Reagieren gut auf :0.7-:1.5-Werte
  • SDXL: Ähnlich, aber teils weniger empfindlich auf Fein-Gewichtung
  • Flux: Nutzt zusätzlich den T5-Encoder, natürlichsprachige Prompts ohne Klammern funktionieren meist besser; die A1111-Gewichtungssyntax ist für Flux nicht vorgesehen

ComfyUI-Syntax-Unterschiede

ComfyUI verwendet (SDXL CLIP) teilweise andere Syntax. Der CLIPTextEncode-Node mit dem Standard-CLIP reagiert auf A1111-Syntax, aber die Verhaltensweise kann leicht abweichen. Spezielle Nodes wie CLIPTextEncodeSDXL erlauben separate Gewichtung für den ersten und zweiten CLIP-Encoder.


Vergleich & Abgrenzung

SyntaxEffektAnwendung
(Begriff:1.3)Stärker gewichtetWichtige Elemente betonen
(Begriff:0.7)Schwächer gewichtetElemente dämpfen
[A:B:0.5]Prompt EditingBegriff ab einem Schritt wechseln
BREAKNeuer 75-Token-AbschnittAttribute sauberer trennen
ANDGleichwertige KombinationStyle-Blending
Reihenfolge vorneMehr AttentionHauptsujet voran
HäufigkeitKumulatives GewichtAlternative zu Klammern

Häufige Fragen (FAQ)

F: Wie viele Klammern-Ebenen sind sinnvoll? Praktisch ist eine Ebene mit explizitem Wert (Begriff:1.3) besser kontrollierbar als mehrere verschachtelte Klammern ohne Wert. Drei Klammern-Ebenen ((((Begriff)))) erzeugen Gewicht 1.33, das ist bereits spürbar. Vier und mehr Ebenen führen schnell zu Bildinstabilität. Empfehlung: Maximal zwei Ebenen ohne expliziten Wert, oder direkt :Faktor nutzen.

F: Warum ignoriert SD manche Prompt-Elemente trotz Gewichtung? CLIP hat semantische Grenzen: Konzepte, die im Trainingsdatensatz selten oder gar nicht vorkamen, können nicht zuverlässig generiert werden, unabhängig von der Gewichtung. In Oberflächen ohne Chunk-Verfahren kann außerdem das Token-Limit von CLIP (75 nutzbare Tokens) dazu führen, dass späte Begriffe ignoriert werden. Lösung: Prompt kürzen, wichtige Begriffe nach vorne stellen oder Beschreibung anders formulieren.

F: Was ist der Unterschied zwischen (Begriff:0.7) und [Begriff:0.7]? Die runde Klammer mit Zahl senkt das Gewicht auf das 0,7-Fache. Die eckige Klammer mit Zahl ist in AUTOMATIC1111 Prompt Editing: Der Begriff wird erst nach 70 % der Sampling-Steps in den Prompt aufgenommen.


Verwandte Einträge


Weiterführend

  • AUTOMATIC1111 Attention/Emphasis:
  • AUTOMATIC1111 Prompt Editing, BREAK und Composable Diffusion:
  • CLIP Paper: Radford, A. et al. (2021). Learning Transferable Visual Models From Natural Language Supervision.
← Zurück zu GenAI & Content Creation
Infotag

Sei am Freitag dabei.
Bring Eltern oder Freunde mit.

Ein halber Nachmittag, der dir drei Jahre Klarheit bringen kann. Kostenlos, unverbindlich, ehrlich.

  • Rundgang durch Studios, Schnitträume und Tonstudio
  • Echte Absolventenfilme sehen
  • 1:1-Beratung zu Bewerbung & BAföG
  • Studierende direkt fragen
  • Kaffee, kein Sales-Pitch
  • Auch online möglich

Platz beim Infotag reservieren

Dauert 30 Sekunden. Bestätigung per E-Mail.
100 % kostenlos · keine Verpflichtung · jederzeit absagbar