Dieser Leitfaden zur Rettung von unbrauchbaren KI-Aufnahmen hilft dir, in nur einer Minute einen viralen Hit auf Xiaohongshu zu produzieren.

Ein gewöhnliches Landschaftsbild, Haustierfoto oder zufälliger Schnappschuss wird durch erneutes Zuschneiden und Neugestalten zu einem Poster mit Papiertextur, Collageeffekten, Freiflächen und Magazinästhetik.

Sie haben sicherlich schon viele ähnliche Inhalte auf Xiaohongshu gesehen: Das Foto selbst ist vielleicht nichts Besonderes, manchmal sogar als „verwahrlostes Bild“ einzustufen.

Durch einige spezielle KI-Bildgenerierungs-Skills scheint es möglich, aus etwas Nutzlosem etwas Wunderbares zu schaffen.

Nachdem ich mir so viele Beispiele angesehen habe, wollte ich es auch selbst ausprobieren.

Ich habe ein Foto aus meinem Album herausgesucht, das ich in Hedahezi aufgenommen habe.

Das gelb-schwarze Höhenbegrenzungsgerüst, Fußgänger im Schnee sowie Häuser und Berge in der Ferne verleihen dem Bild eine gewisse Atmosphäre, aber Stromleitungen, Gebäude und Straßenschilder drängen sich zusammen, sodass es immer keinen klaren visuellen Schwerpunkt gibt.

Nach meiner bisherigen Gewohnheit würde dieses Foto wahrscheinlich weiterhin in einer Ecke des Albums liegen.

Dieses Mal habe ich es direkt in die Bild-Skill von Codex gezogen.

Links｜Originalbild Rechts｜Von Skill generiertes Ergebnis

Nach mehr als zehn Sekunden erschien ein Poster auf dem Bildschirm.

Die ursprünglich farbige Straßenszene wurde in die Textur eines Druckgrafikwerks umgewandelt, Häuser, Berge und Stromleitungen traten in den Hintergrund, Touristen auf der rechten Seite, Straßenstände und Unordnung im Vordergrund wurden direkt entfernt, und das gelb-schwarze Höhenbegrenzungsgerüst wurde zur einzigen auffälligen Farbe im Bild. Der restliche Bildbereich wurde zu einem cremefarbenen Papier mit Fasertextur, ergänzt durch kleine Textelemente als Verzierung.

Die ursprünglich informationsdichte Straßenszene im Schneeort wurde so zu einem sehr ruhigen, in Printmedienstil gestalteten Poster umgestaltet.

Anleitung zur Rettung von „verwahrlosten Bildern“ mit KI

Skill ist im Wesentlichen ein „Arbeitsflussvertrag“, der auf einer Agent-Plattform wie Codex ausgeführt wird.

Im Bereich der Bildgenerierung ist die Bedeutung noch intuitiver: Sie liefern das Originalbild, und Skill legt fest, wie dieses Bild neu gestaltet werden soll – welche Komposition verwendet wird, welcher Hintergrundfarbton gewählt wird, welche Elemente beibehalten werden, wo der Text platziert wird und auf welche Weise das Endergebnis generiert und überprüft wird.

Es ähnelt ein wenig einem Designer, der dem Modell ständig Hinweise gibt: Hier soll Freiraum bleiben, dort darf nur eine Akzentfarbe beibehalten werden, dieser Teil soll nicht das Originalbild kopieren, jener Teil muss jedoch realistisch bleiben. Nur dass diese Entscheidungen, die früher von Designern spontan getroffen wurden, jetzt zu einem Satz von wiederverwendbaren Regeln formuliert sind.

Um zu sehen, wie verschiedene Skills dasselbe Foto verstehen, habe ich einen anderen Skill ausprobiert, der auf Papiercollage-Effekte ausgerichtet ist.

Im Vergleich zum ersten Skill behält er mehr Details im unteren Teil des Originalbildes bei – Schnee, Häuser, Touristen, Straßenstände und das Höhenbegrenzungsgerüst bleiben wie im Original erhalten, während sich die Änderungen hauptsächlich im oberen Teil des Bildes abspielen.

Der ursprüngliche blaue Himmel wurde durch cremefarbenes Papier ersetzt, und einige Elemente wurden zu hellen Linienzeichnungen umgestaltet. Ein unregelmäßiger, zerrissener Papierrand verbindet den echten Fotobereich mit dem handgezeichneten Bereich.

Das zeigt auch, dass Skill nicht einfach einen festen Filter über das Bild legt. Was er wirklich bestimmt, ist, wie das Modell das Originalbild versteht und ob es bei komplexen Bildinhalten Elemente löschen, beibehalten oder neu organisieren soll.

Ich habe weiter in meinem Album geblättert und extra einige zufällig aufgenommene Fotos herausgesucht, um zu sehen, ob die Bild-Skills eine passende Darstellungsform für sie finden können, und teile gleichzeitig einige Skills mit unterschiedlichen Stilen mit Ihnen.

Die Verwendung ist nicht kompliziert:

Öffnen Sie Codex, senden Sie den GitHub-Link des Skills an es und schließen Sie die Installation ab. Danach müssen Sie nur noch das Foto hochladen, den entsprechenden Skill aufrufen, und dann warten Sie einfach auf das von der KI generierte Ergebnis.

Im Folgenden füge ich auch den zu jedem Skill gehörenden GitHub-Link hinzu. Wenn Sie Interesse haben, können Sie ihn direkt installieren und ausprobieren.

https://github.com/LiamGvchi/gc-minimal-zine-poster

https://github.com/Zeejay0/gathered-scenes-zine-skill

https://github.com/Hchen1218/heytea-style

https://github.com/ZzzLc0405/photo-abstract-editorial

Verschiedene Skills verarbeiten Fotos auf unterschiedliche Weise, und nicht jedes „verwahrloste Bild“ wird dadurch zu einem perfekten Werk. Durch eine Umgestaltung erhalten sie zumindest die Chance, aus den Ecken des Albums wieder sichtbar zu werden.

Um zu sehen, was passiert, wenn derselbe Skill in verschiedenen Agenten ausgeführt wird, habe ich diese beiden Skills jeweils an die Chat-Version von GPT und an Doubao Agent übergeben, wobei dasselbe Originalbild und die Standard-Prompts zur Generierung verwendet wurden.

Links 1, 2｜Von GPT generiert Rechts 1, 2｜Von Doubao Agent generiert

Zumindest bei diesem Test hat GPT eine höhere Gesamtqualität erreicht. Es kann die grundlegende Form verstehen, die von Skill festgelegt wurde: große Freiflächen, Papiertextur, einzelne Akzentfarbe sowie die Beziehung zwischen echtem Foto und Collagebereich.

Sein Verständnis bleibt eher auf der allgemeinen visuellen Formebene. Im Gegensatz zu Codex extrahiert es nicht das Höhenbegrenzungsgerüst, Personen, Häuser und Stromleitungen aus dem Originalbild einzeln. Das Endergebnis wirkt eher so, als wäre das gesamte Foto in ein bereits bekanntes Layout eingefügt worden.

Doubao versteht Skill und das Originalbild noch schwächer: Bei einem der Ergebnisse wurde das Originalfoto gar nicht weiterverwendet, stattdessen wurde eine ähnliche Szene mit Schnee und Eisenbahn neu generiert; bei dem anderen wurde das Originalbild zwar beibehalten, aber zerrissene Papierränder, Silhouetten von Bergen und das Foto wirken einfach übereinandergelegt. Es scheint die Form der Papiercollage zu haben, aber es fehlt die Verbindung zwischen dem Design und dem Originalbild.

Dieser Unterschied verdeutlicht auch die Grenzen der Wirkung von Skill: Er liefert eine Reihe von Designregeln, die noch vom Agenten verstanden und umgesetzt werden müssen, sodass das endgültige Bild je nach Interpretation des Agenten variieren wird.

Um herauszufinden, wie diese Regeln das Endergebnis beeinflussen, muss man meiner Meinung nach wieder zum Skill selbst zurückkehren.

Ästhetik steckt in den Einschränkungen

Nachdem ich das Verzeichnis der Bild-Skill geöffnet habe, stellte ich fest, dass es nur SKILL.md, eine Beschreibungsdokumentation und einige Beispielbilder enthält, keine Programme für Freistellen, Zuschneiden oder Layout. Die Effekte, die so aussehen, als wären sie Schicht für Schritt in Photoshop bearbeitet worden, werden nicht Schritt für Schritt durch Code ausgeführt.

Was Skill wirklich tut, ist etwas anderes: Er trifft zuerst eine Runde von Designentscheidungen für das Modell und schreibt diese Entscheidungen dann in Prompts, um sie dem Bildmodell zur Generierung zu übergeben.

Warum wirken diese Bilder ästhetisch ansprechend und hochwertig?

Nachdem ich den gesamten Skill-Ordner durchgesehen habe, stellte ich fest, dass das Wichtige nicht nur darin liegt, welche Designelemente er auswählt, sondern auch darin, wie er die Position, das Verhältnis und die Beziehung dieser Elemente zueinander festlegt.

Das Erste, was er tut, ist nicht das Verschönern des Fotos, sondern das Reduzieren von Informationen.

„Geben Sie nicht alle Informationen wieder, behalten Sie nur ein zentrales Konzept bei, das gezeichnet werden kann.“

Angewendet auf diese verschneite Straßenszene enthält das Originalbild eigentlich viele Dinge: Häuser, Stände, Touristen, Stromleitungen, verschneite Straßen und Eisenbahnanlagen. Aber Skill versucht nicht, alle diese Inhalte in das Poster zu übernehmen, sondern komprimiert es zu einem einfacheren Bild – unter dem Höhenbegrenzungsgerüst gehen mehrere Fußgänger im Winter langsam vorbei.

Dieser Schritt scheint nur eine Zusammenfassung zu sein, aber tatsächlich ist bereits die erste ästhetische Entscheidung getroffen worden. Denn ab diesem Moment gibt es eine klare Richtung dafür, was die Hauptrolle spielen und was gelöscht werden soll.

Freiraum ist der Schlüssel, um dem Bild Atem und eine hochwertige Textur zu verleihen. Skill legt sehr spezifische Regeln für das Verhältnis von Freiraum und Hauptmotiv fest:

„70 % bis 90 % des Bildes sollten aus leerem Papier bestehen, der Hauptvisuelle Cluster nimmt nur etwa 8 % bis 25 % ein.“

Dieses deutliche Verhältnis verleiht dem kleinen Hauptmotiv in der großen leeren Fläche Gewicht und gibt dem ursprünglich überfüllten Bild Raum zum Atmen.

Die intuitivste Darstellung der Hochwertigkeit kommt von der Umsetzung der Materialtextur im Bild. Im Originaltext von Skill werden auch klare Regeln für die Materialbehandlung des Hauptmotivs festgelegt:

„Graustufenfotos und Papierfragmente können mit niedrigem Kontrast, weichem Kopierlook, zerrissenen Rändern, Halbtonsieben, Scanlinien, Riso-Druckkörnern, Abnutzung durch Kopieren, Tintenausblutung oder leichter Farbverschiebung gestaltet werden.“

Allerdings werden diese Materialeffekte nicht bei jeder Generierung übereinandergelegt. Im Ordner gibt es zudem einen sogenannten „Variation Engine“ (Variationsmotor), der als vordefinierte Bibliothek für visuelle Rezepturen verstanden werden kann.

Nachdem das Kernkonzept festgelegt wurde, wählt das Modell jeweils eine Option aus mehreren Dimensionen aus und kombiniert diese zu einer vollständigen visuellen Rezeptur. Zum Beispiel kann die Komposition ein zentrales Fragment oder ein unregelmäßig zerrissenes Papier sein, die Textur kann weicher Kopierlook, Riso-Körnung oder Scanrauschen sein. Durch die Kombination all dieser Elemente wird der Prompt erstellt.

Diese Kombination erfolgt nicht zufällig durch ein Programm, es gibt auch keinen festen Seed. Welche Rezeptur letztendlich ausgewählt wird, entscheidet das Modell anhand des aktuellen Inhalts und der vorherigen Generierungsergebnisse. Daher ähnelt es eher einem „kontrollierten Zufall“ mit Kontextgedächtnis.