---
term: "Text-to-Image"
slug: "text-to-image"
glossar_id: "G618"
variants: []
category: "multimodalitaet-und-angrenzende-generative-ki"
marker: ""
short: "Erzeugung von Bildern aus Textbeschreibungen."
sources:
  - label: "Rombach et al.: High-Resolution Image Synthesis with Latent Diffusion Models"
    url: "https://arxiv.org/abs/2112.10752"
  - label: "Ho et al.: Denoising Diffusion Probabilistic Models"
    url: "https://arxiv.org/abs/2006.11239"
status: "entwurf"
updated: "2026-09-21"
---

Bei Text-to-Image erzeugt ein Modell aus einer Beschreibung ein Bild. Das übliche Verfahren beginnt mit Zufallsrauschen und entfernt es in vielen kleinen Schritten, wobei die Textbeschreibung jeden Schritt in eine Richtung lenkt. [Ho et al.](https://arxiv.org/abs/2006.11239)

## Die Rechnung läuft in einem verdichteten Raum

Der Durchbruch für den breiten Einsatz kam mit der Verlagerung dieses Vorgangs: Statt auf Pixelebene zu arbeiten, läuft die Entrauschung in einem komprimierten Zwischenraum, und erst am Ende wird daraus ein Bild. Das senkt den Rechenaufwand so weit, dass die Verfahren auf Alltagshardware laufen. [Rombach et al.](https://arxiv.org/abs/2112.10752)

Aus dem Ablauf folgen die typischen Eigenschaften: Dieselbe Beschreibung mit anderem Startrauschen liefert ein anderes Bild, und über die Zahl der Schritte lässt sich Qualität gegen Zeit tauschen.

## So kannst du dir das vorstellen

Ein Bildhauer, der aus einem groben Block Schritt für Schritt Material abträgt, mit der Beschreibung als Vorgabe. Ein anderer Block ergibt ein anderes Ergebnis, auch bei gleicher Vorgabe. Das Bild erklärt den schrittweisen Ablauf, es beschreibt kein konkretes Verfahren.

## Was es in der Praxis konkret bedeutet

Für den geschäftlichen Einsatz sind drei Punkte wichtiger als die Bildqualität. Erstens die Rechtslage bei Trainingsdaten und Ausgaben, die je nach Anbieter und Land unterschiedlich beurteilt wird. Zweitens die Kennzeichnung erzeugter Inhalte, für die es Pflichten geben kann. Drittens die Reproduzierbarkeit: Wer ein Ergebnis später wieder braucht, muss Beschreibung, Modellfassung und Startwert festhalten.

## Wo es verwechselt wird

Bilderzeugung und Bildverständnis sind verschiedene Fähigkeiten und meist verschiedene Modelle. Und die Beschreibung ist keine Anweisung im technischen Sinn: Das Modell folgt ihr als Richtungsvorgabe, nicht als Spezifikation.

## Verwandte Begriffe

**Classifier-Free Guidance**, **Video Generation**, **Deepfake**, **Generative Adversarial Network**, **Modality**, **Provenance**.