Image-to-Image, kurz img2img, ist die Erzeugung eines neuen KI-Bildes aus einem Eingabebild und einer Textanweisung, wobei das Eingabebild Aufbau, Formen oder Inhalt vorgibt. Für Produktbilder ist das der Weg, aus einem schlichten Produktfoto eine Szene oder einen neuen Hintergrund zu machen. Die entscheidende Frage ist jedes Mal, wie viel vom echten Produkt dabei erhalten bleibt.
Klassisches img2img: Die Denoising-Stärke entscheidet
Beim klassischen Verfahren, etwa mit Stable Diffusion, wird das Eingabebild verrauscht und anhand des Prompts wieder entrauscht. Wie stark sich das Ergebnis vom Original entfernt, steuert ein einziger Wert, die Stärke, englisch strength oder Denoising Strength.
Laut der Diffusers-Dokumentation von Hugging Face wird das Eingabebild in den latenten Raum übertragen und verrauscht, das Modell entfernt das Rauschen dann passend zum Prompt. Ein höherer Wert gibt dem Modell mehr Freiheit, bei 1,0 wird das Eingabebild mehr oder weniger ignoriert. Die Stärke bestimmt auch die Zahl der Schritte: Bei 50 Schritten und Stärke 0,8 sind es 40.
| Stärke | Was typischerweise passiert | Für Produktbilder |
|---|---|---|
| 0,2 bis 0,3 | Licht und Farbstimmung ändern sich, Formen bleiben | Stimmungsvarianten |
| 0,4 bis 0,6 | neue Oberflächen und Umgebung, Umrisse grob erhalten | Moodbilder, nicht als Produktbild |
| 0,7 bis 0,9 | neue Szene, Produktdetails gehen verloren | ungeeignet |
| 1,0 | Eingabebild wird weitgehend ignoriert | ungeeignet |
Werte bis 0,9: Richtwerte der Redaktion, das Ergebnis hängt von Modell und Prompt ab. Das Grundproblem bleibt: Das Rauschen trifft das ganze Bild, also auch Etikett, Nähte und Logo.
Moderne Edit-Modelle: Referenzbild statt Rauschregler
Edit-Modelle wie Nano Banana setzen die Änderung um, die Sie beschreiben, statt das ganze Bild nach einem Regler neu zu rechnen. Google nennt das in der Gemini-API-Dokumentation Bildbearbeitung aus Text und Bild: Sie geben ein Bild und eine Anweisung, das Modell soll Stil, Licht und Perspektive des Originals übernehmen.
Für Produkte wichtig: Nano Banana 2.1 kann laut Google bis zu 10 Objektbilder mit hoher Wiedergabetreue einbeziehen, insgesamt bis zu 14 Referenzbilder. Damit kritische Details wie ein Logo erhalten bleiben, rät Google, sie im Prompt genau zu beschreiben. Wie das auf Deutsch funktioniert, zeigt der Ratgeber Nano Banana auf Deutsch.
| Merkmal | Klassisches img2img | Edit-Modell mit Referenzbild |
|---|---|---|
| Steuerung | Stärke bis 1,0 plus Prompt | Anweisung im Prompt, mehrere Referenzbilder |
| Was sich ändert | ganzes Bild je nach Stärke | was der Prompt nennt |
| Beispiel | Stable Diffusion | Nano Banana |
| Typischer Einsatz | Stilvarianten, Moodbilder | Produkt in neue Szene setzen |
Ob ein Ergebnis das Produkt noch korrekt zeigt, prüfen Sie wie im Ratgeber zur Produkttreue von KI-Produktbildern beschrieben. Soll nur ein kleiner Bildteil neu entstehen, ist Inpainting das genauere Werkzeug.
Praxistipp: Geben Sie dem Modell immer ein freigestelltes, scharfes Produktfoto als Referenz und nennen Sie im Prompt ausdrücklich, was unverändert bleiben muss, zum Beispiel Etikettentext, Farbe und Sohlenprofil.
Häufige Fragen
Was bedeutet Denoising Strength bei img2img?
Ist Nano Banana ein img2img-Modell?
Bleibt mein Produkt bei img2img unverändert?
Quellen
- Hugging Face Diffusers: Image-to-image, Parameter strength, abgerufen 11/2026
- Google AI for Developers: Nano Banana image generation, Image editing und Referenzbilder, abgerufen 11/2026
Regeln, Preise und Funktionen: Stand der jeweiligen Prüfung. Marktplätze und Tool-Anbieter ändern ihre Vorgaben regelmäßig, bitte vor dem Hochladen an der Originalquelle prüfen. Fehler gefunden? Korrektur melden.
Stephan Zabel ist Geschäftsführer der Stephan Zabel GmbH in Nürnberg. Unter produktbild.net hat er früher selbst Produktfotos für Online-Shops produziert. Heute berät er Unternehmen zu Online-Marketing, SEO und KI und kennt beide Seiten: das Fotostudio und die Produktseite, die verkaufen muss.
So entsteht dieser Beitrag: Unsere Texte entstehen mit KI-Unterstützung und werden redaktionell geprüft. Redaktionell verantwortlich: Stephan Zabel. Quellen sind Marktplatz-Richtlinien, Gesetzestexte und Anbieterseiten. KI-Bilder sind als solche gekennzeichnet, Testergebnisse sind echte Ausgaben der getesteten Werkzeuge. Zahlen und Preise werden gegen die genannten Primärquellen geprüft. Inhaltlich verantwortlich ist Stephan Zabel als Herausgeber. Fotos mit dem Vermerk „KI-Bild“ sind KI-generiert. Mehr dazu in der Methodik.
