Negative Prompts in Stable Diffusion definieren, was im generierten Bild explizit vermieden werden soll, von Qualitätsmängeln über unerwünschte Stile bis hin zu inhaltlichen Ausschlüssen, und nutzen dasselbe Classifier-Free-Guidance-Prinzip wie positive Prompts.
Rubrik: GenAI & Content Creation · Unterrubrik: Stable Diffusion · Niveau: Fortgeschritten
Was sind Negative Prompts?
Negative Prompts sind ein Kernfeature von Stable Diffusion, das in proprietären Diensten wie Midjourney nur eingeschränkt verfügbar ist. Technisch ist ein Negative Prompt das Gegenteil eines positiven Prompts: Während der positive Prompt beschreibt, was generiert werden soll, beschreibt der negative Prompt, was der Generierungsprozess aktiv vermeiden soll.
Basis hierfür ist Classifier-Free Guidance: Das Modell berechnet zwei Noise-Estimates pro Step, eines mit positivem Prompt, eines mit negativem. Laut AUTOMATIC1111-Wiki ersetzt der Negativprompt dabei den leeren Prompt der unkonditionierten Vorhersage. Der CFG-Mechanismus drückt das Ergebnis weg vom Negativen und in Richtung des Positiven.
Erklärung
Wie Negative Prompts wirken
Mathematisch:
`` Noise_guided = Noise_negativ + CFG_Scale × (Noise_positiv-Noise_negativ) ``
Das Bild wird in Richtung des positiven Prompts und weg vom negativen Prompt gelenkt. Steht derselbe Begriff in beiden Prompts, heben sich die Wirkungen weitgehend auf. Bei CFG 1 fällt der Negativprompt aus der Formel heraus und wirkt nicht.
Kategorien von Negative Prompts
Qualitäts-Negative: Verbessern die allgemeine Bildqualität, indem typische Artefakte ausgeschlossen werden.
`` Qualitäts-Standard für SD 1.5: "(worst quality, low quality:1.4), blurry, out of focus, (deformed, distorted:1.3), watermark, signature, text, ugly, duplicate, morbid, mutilated, extra limbs, poorly drawn face, bad anatomy, bad proportions" ``
Stil-Negative: Schließen unerwünschte visuelle Stile aus.
``` "anime, cartoon, 3d render, painting, sketch, drawing" → Für fotorealistischen Stil
"photorealistic, photography, photo" → Für illustrativen/künstlerischen Stil ```
Inhalts-Negative: Schließen spezifische inhaltliche Elemente aus.
`` "text, letters, watermark, logo, writing" "extra person, crowd, background people" "nsfw, nudity, explicit content" ``
NSFW-Ausschluss via Negative: Die Modellgewichte selbst filtern nicht. Für SD 1.x ist laut Modellkarte der Einsatz mit dem Safety Checker der Diffusers-Bibliothek vorgesehen, Oberflächen wie A1111 nutzen ihn standardmäßig nicht. Negative Prompts senken die Wahrscheinlichkeit unerwünschter Inhalte, sind aber kein verlässlicher Filter.
Textual Inversion Embeddings als Negative Prompts
Textual Inversion Embeddings sind kleine Dateien, die einen neuen „Tokenspace" in CLIP kodieren. Sie können als Negative genutzt werden:
EasyNegative: Populäres Negativ-Embedding, laut Autor mit dem SD-1.x-Modell Counterfeit trainiert; mit anderen Modellen ist die Wirkung laut Modellseite nicht sicher. Statt einer langen Negative-Prompt-Liste genügt EasyNegative als einzelnes Wort.
Weitere Community-Embeddings: Auf Civitai gibt es zahlreiche Negativ-Embeddings, etwa gegen fehlerhafte Hände oder allgemeine Qualitätsmängel. Sie sind fast immer für eine bestimmte Modellfamilie (meist SD 1.x) trainiert und wirken nur dort zuverlässig.
Gewichtung in Negative Prompts
Wie im positiven Prompt können Gewichtungen genutzt werden:
`` "(worst quality:1.4), (deformed:1.3), blurry, (extra limbs:1.2)" ``
Höhere Gewichtung = stärkerer Ausschluss. Standard ist 1.0; mehr als 1.5 führt selten zu besseren Ergebnissen und kann das Bild destabilisieren.
Schritt-für-Schritt / Einrichtung
Embeddings installieren (A1111)
```
- Embedding-Datei herunterladen (.pt oder .safetensors)
Quelle: Civitai, Hugging Face
- In embeddings/ Ordner des A1111-Verzeichnisses kopieren
- A1111 neu starten (oder "Apply and restart" in Settings)
- Im Negative-Prompt-Feld: Embedding-Name einfach als Wort eintippen
z. B.: EasyNegative, bad-hands-5
- Alternativ: Via Textual Inversion Tab verifizieren
```
SDXL Negative Prompts
SDXL reagiert nach Erfahrung vieler Nutzender anders auf Negative Prompts als SD 1.5:
- Lange Qualitäts-Listen bringen bei SDXL meist weniger als bei SD 1.5
- SD-1.x-Embeddings funktionieren mit SDXL nicht, es braucht eigens für SDXL trainierte
- Konkrete Inhalts-Negative funktionieren ähnlich gut
`` SDXL-Beispiel: Negative: "blurry, low quality, watermark, (deformed:1.2), bad anatomy" ``
Negative-Prompt-Sets für Styles speichern
In A1111 können unter „Styles" kombinierte Positive+Negative als Preset gespeichert werden:
`` Style Name: "Fotorealistisch Standard" Positive Prompt: "photorealistic, 8k, professional photography, sharp focus" Negative Prompt: "(worst quality, low quality:1.4), blurry, EasyNegative" ``
Beispiele (5 konkrete Anwendungsfälle)
- Anatomie-Korrekturen bei Porträts: Kombinierter Einsatz von
EasyNegative, (extra fingers:1.3), (missing fingers:1.3)im Negativen kann die für SD 1.x typischen Hand- und Fingerprobleme verringern; zuverlässiger ist eine Nachkorrektur per Inpainting oder ADetailer. - Medienprojekt-konforme Bilder: Eine Redaktion schließt via Negative Prompts Wasserzeichen, Bildunterschriften, Nummern und Logoelemente aus, alle generierten Bilder sind direkt verwendbar ohne Retusche.
- Stil-Reinheit bei Illustration: Für reine Comic-Illustrationen wird
photorealistic, photo, photograph, 3D renderals Negatives eingesetzt, um Übergänge in fotorealistische oder 3D-CGI-Ästhetik zu vermeiden. - Content-Moderation im Team-Workflow: Ein Team, das SD für professionelle Projekte nutzt, hinterlegt ein gemeinsames Negative-Preset mit NSFW-Ausschlüssen im geteilten Styles-File, konsistente Moderation ohne individuelle Absprachen.
- Hintergrund-Kontrolle:
crowd, people, pedestrians, cars, vehiclesals Negative für Architektur-Visualisierungen, um saubere, menschenleere Außenaufnahmen zu generieren.
In der Praxis
Negative Prompts und CFG-Interaktion
Die Wirksamkeit von Negative Prompts steigt mit dem CFG-Wert. Bei CFG 1 wirken sie gar nicht, bei niedrigen Werten schwach; im üblichen Bereich (etwa 6-9 bei SD 1.5) deutlich; bei sehr hohen Werten können starke Negative-Prompts das Bild destabilisieren.
`` Empfohlene Kombination: CFG: 7 Negative: moderater Umfang (nicht überladen) → Gute Balance zwischen Wirksamkeit und Bildstabilität ``
Wann Negative Prompts kontraproduktiv sind
Zu lange oder widersprüchliche Negative Prompts können die Bildqualität verschlechtern:
- Negative, die semantisch nah am Positiven sind, können den Positiven schwächen
- Überladen mit zu vielen Negativen verteilt die CFG-„Energie" zu stark
- Faustregel: Max. 15-20 bedeutungsvolle Begriffe, keine Redundanzen
Flux und Negative Prompts
FLUX.1 [dev] und [schnell] sind destilliert und laufen mit CFG 1, also ohne zweite, unkonditionierte Vorhersage; ein klassischer Negativprompt hat dort deshalb keine Wirkung. Ähnliches gilt für LCM-Modelle, für die die Diffusers-Dokumentation ausdrücklich sagt, dass Negativprompts nicht wirken. Bei Flux formuliert man Ausschlüsse besser positiv im Prompt („empty street“ statt Negativ „people“).
Vergleich & Abgrenzung
| Methode | Wirkung | Aufwand | Modell-spezifisch |
|---|---|---|---|
| Text-Negative | Direkt, flexibel | Gering | Nein |
| Textual Inversion Embedding | Kompakt, optimiert | Minimal (nach Installation) | Ja (1.5 vs. SDXL) |
| Inpainting-Korrektur | Zielgenau | Mittel | Nein |
| ADetailer (Auto-Inpaint) | Automatisch | Gering (nach Einrichtung) | Nein |
| ControlNet | Strukturell | Hoch | Ja |
Häufige Fragen (FAQ)
F: Warum wirken meine Negative Prompts bei SDXL nicht so gut wie bei SD 1.5? SDXL wurde mit einem anderen Training-Setup und besseren Basis-Qualitätslevels trainiert. Qualitäts-Begriffe wie „low quality", „blurry" usw. haben weniger Ankerpunkte im SDXL-Trainingsset als bei SD 1.5. SDXL-spezifische Embeddings (NG_DeepNegative) oder sehr spezifische inhaltliche Negative funktionieren besser. Alternativ: ADetailer für automatische Nachkorrektur von Gesichtern und Händen.
F: Kann ich denselben Negative Prompt für alle Projekte verwenden? Ein generischer Basis-Negative (Qualitäts- + Anatomie-Korrekturen) funktioniert für die meisten Projekte. Darüber hinaus sollten projektspezifische Negative ergänzt werden: Ein Porträtprojekt benötigt andere Inhalts-Negative als ein Architektur-Projekt.
F: Warum hat mein Negative Prompt bei Flux keine Wirkung? FLUX.1 läuft mit CFG 1 und berechnet keine zweite Vorhersage mit dem Negativprompt. Abhilfe: Ausschlüsse im positiven Prompt umschreiben; Werkzeuge, die eine echte CFG für Flux nachrüsten, erhöhen die Rechenzeit.
Verwandte Einträge
- CFG Scale, CFG bestimmt die Wirksamkeit der Negative Prompts
- Bildgewichtung & Prompt-Syntax, Klammer-Syntax funktioniert auch im Negativen
- Modelle & Checkpoints, Embeddings sind modelltypabhängig
Weiterführend
- Ho, J. & Salimans, T. (2022). Classifier-Free Diffusion Guidance.
- Hugging Face Diffusers: Latent Consistency Model (Hinweis zu Negativprompts).
- Civitai Embedding-Bibliothek:
- EasyNegative:
- A1111 Prompt-Syntax:
