Inpainting bezeichnet das gezielte Neu-Generieren eines definierten Bildbereichs innerhalb eines vorhandenen Bildes; Outpainting erweitert ein Bild kontextsensitiv über seine ursprünglichen Grenzen hinaus.
Rubrik: GenAI & Content Creation · Unterrubrik: Stable Diffusion · Niveau: Fortgeschritten
Was ist Inpainting & Outpainting?
Inpainting und Outpainting sind zwei der praktisch nützlichsten Anwendungen von Stable Diffusion für die professionelle Bildbearbeitung. Sie ermöglichen nicht-destruktive Korrekturen und Erweiterungen, die früher stundenlange manuelle Arbeit in Photoshop erfordert hätten.
Inpainting hat Vorläufer in klassischen Restaurierungstechniken von Gemälden und frühen algorithmischen Verfahren (Bertalmio et al., 2000). KI-gestütztes Inpainting auf Basis von Diffusionsmodellen übertrifft frühere Methoden fundamental durch kontextsensitives, semantisches Neuzeichnen statt einfacher Interpolation.
Erklärung
Inpainting — Technische Grundlage
Beim Inpainting wird ein Teil des Eingabebildes mit einer Maske ausgeblendet. Die maskierten Pixel werden als Rauschen neu initialisiert; der restliche Bildbereich bleibt erhalten und dient als Kontext für die Generierung.
Das Modell nutzt sowohl den Textprompt als auch den sichtbaren Bildkontext, um den maskierten Bereich kohärent zu ergänzen. Für qualitativ hochwertige Ergebnisse gibt es speziell auf Inpainting trainierte Modelle (z. B. sd-v1-5-inpainting.ckpt), die das Lernziel explizit auf maskierte Regionen ausgerichtet haben.
Denoising Strength bei Inpainting:
0.3–0.5: Minimale Veränderung, bleibt nah am Original0.6–0.8: Ausgewogene Neugenerierung mit Kontextbindung0.9–1.0: Vollständige Neugenerierung des maskierten Bereichs
Inpainting Fill-Methoden:
- Fill: Maskierter Bereich wird mit Durchschnittsfarbe gefüllt — geringster Kontext-Einfluss
- Original: Originalbilddaten bleiben unter der Maske — ermöglicht Detailkorrekturen
- Latent Noise / Latent Nothing: Verschiedene Initialisierungsmethoden im Latent-Raum mit unterschiedlichen Ergebnischarakteristika
Outpainting — Bildkontexterweiterung
Outpainting fügt dem Originalbild neue Canvas-Fläche hinzu (oben, unten, links, rechts oder in alle Richtungen) und generiert den neuen Bereich so, dass er kohärent an das Original anschließt.
In AUTOMATIC1111 wird Outpainting über das Skript „Outpainting mk2" oder über img2img mit entsprechendem Padding realisiert. In ComfyUI gibt es dedizierte Outpainting-Nodes.
Herausforderung beim Outpainting: Das Modell muss Bildinhalt in einem Bereich generieren, über den es keine Trainingsinformation hat. Je mehr Kontext (sichtbare Bildkanten) vorhanden ist, desto kohärenter das Ergebnis.
Schritt-für-Schritt / Einrichtung
Inpainting in AUTOMATIC1111
```
- img2img → Inpaint Tab
- Ausgangsbild hochladen (drag & drop)
- Maske mit Pinselwerkzeug zeichnen (weiß = wird neu generiert)
- Inpainting-Einstellungen:
- Mask mode: Inpaint masked (Standardfall) - Masked content: Original (für subtile Korrekturen), Latent noise (für größere Änderungen) - Inpaint area: Whole picture (für Gesamtkontext) oder Only masked (für Detail-Fokus + Zoom) - Denoising strength: 0.7
- Prompt: Was im maskierten Bereich erscheinen soll
- Steps: 30, CFG: 7
```
Outpainting-Skript in AUTOMATIC1111
`` img2img → Script: "Outpainting mk2" Pixel: Wie viel Fläche an jeder Seite hinzugefügt wird (z. B. 256 px) Sampling steps: 50 (Outpainting benötigt oft mehr Steps) Denoising: 0.8–1.0 ``
Inpainting mit ControlNet
`` ControlNet → Type: Inpaint Preprocessor: inpaint_global_harmonious Model: control_v11p_sd15_inpaint Weight: 1.0 ``
Beispiele (5 konkrete Anwendungsfälle)
- Hintergrund-Austausch für Produktfotos: Ein Produktbild hat einen unerwünschten Hintergrund. Das Produkt wird maskiert erhalten, der Hintergrund via Inpainting durch einen studioweißen oder szenischen Hintergrund ersetzt — ohne Freistellen per Hand.
- Gesichts- und Handkorrektur: KI-generierte Bilder weisen häufig Fehler bei Händen und Gesichtern auf. Inpainting mit dem ADetailer-Plugin oder manueller Maske + Inpainting-Modell korrigiert diese Bereiche gezielt.
- Störende Elemente entfernen: Ein Pressefoto enthält ein Copyright-Wasserzeichen, eine Bildfüllung oder ein unerwünschtes Objekt. Inpainting entfernt es kontextsensitiv — ähnlich wie Photoshops Inhaltsbasiertes Füllen, aber generativ.
- Portrait-Erweiterung für Buchcover: Ein vertikales Portrait soll für ein Querformat-Buchcover genutzt werden. Outpainting erweitert das Bild seitlich und erzeugt kohärenten Hintergrund, der zum Originalfoto passt.
- Szenenerweiterung für Social Media: Ein querformatiges Foto wird via Outpainting vertikal für Instagram-Reels oder TikTok erweitert — das neue Bildmaterial schließt nahtlos an das Original an.
In der Praxis
Maske-Qualität ist entscheidend
Weiche Maskenränder (Feathering) verbessern die Übergänge erheblich: `` Mask Blur: 4–8 px (AUTOMATIC1111: Einstellung im Inpaint-Tab) ``
Zu harte Maskenränder führen zu sichtbaren Trennlinien. Bei komplexen Formen (Haare, Fell) empfiehlt sich Segment-anything-basiertes automatisches Maskieren (SAM-Plugin in A1111).
Inpainting-Auflösung
Die Einstellung „Inpaint at full resolution" (A1111) ist wichtig: Sie zoomt den maskierten Bereich vor der Generierung auf die volle Modell-Auflösung. Ohne diese Option werden Details in kleinen Maskenbereichen verschwommen.
`` Only masked padding, pixels: 32–64 (Kontext-Puffer um die Maske) ``
Ultimate SD Upscale mit Inpainting
Das Extension „Ultimate SD Upscale" kombiniert Upscaling mit Inpainting auf Tile-Ebene: Jeder Bildkachel wird einzeln mit Inpainting verfeinert, was bei großen Auflösungen (4K+) erheblich bessere Detailqualität als einfaches Upscaling liefert.
Vergleich & Abgrenzung
| Methode | Stärke | Schwäche | Bester Einsatz |
|---|---|---|---|
| Inpainting (SD) | Semantisch kohärent | Training-Artefakte möglich | Objekte ersetzen, Fehler korrigieren |
| Outpainting (SD) | Kontextuell konsistent | Große Erweiterungen inkohärent | Kleine bis mittlere Erweiterungen |
| Photoshop Inhaltsbasiertes Füllen | Textur-Konsistenz | Nicht semantisch | Einfache Hintergründe |
| Stable Inpainting-Modell | Optimierte Randübergänge | Spezielles Modell nötig | Professionelle Anwendungen |
Häufige Fragen (FAQ)
F: Warum sehen Inpainting-Ränder oft unnatürlich aus? Drei häufige Ursachen: (1) Zu harte Maskenränder — Mask Blur auf 4–8 px erhöhen; (2) Denoising-Strength zu niedrig — auf 0.7–0.8 erhöhen; (3) Falsches Inpainting-Modell — ein auf Inpainting trainiertes Modell liefert bessere Übergänge. ControlNet-Inpainting-Preprocessor hilft zusätzlich bei der Randharmonisierung.
F: Kann ich Inpainting für das Entfernen von Text/Wasserzeichen nutzen? Technisch ja, und die Ergebnisse sind oft besser als klassische Retusche. Rechtlich ist es bei Wasserzeichen von urheberrechtlich geschützten Bildern problematisch — die Entfernung von Copyright-Wasserzeichen kann Urheberrechtsverletzungen darstellen. Für lizenzfreie eigene Bilder ist es eine legitime Technik.
Verwandte Einträge
- Image-to-Image — Die Grundlage, auf der Inpainting aufbaut
- Upscaling in Stable Diffusion — Ultimate SD Upscale nutzt Inpainting-Prinzipien
- ControlNet — ControlNet-Inpainting für bessere Randübergänge
Weiterführend
- Rombach, R. et al. (2022). High-Resolution Image Synthesis with Latent Diffusion Models. CVPR.
- RunwayML Inpainting-Guide:
- AUTOMATIC1111 Inpainting Wiki:
- Segment Anything Model (SAM):
