Haben KI-Modelle gelernt, Anime zu erstellen, oder sieht es immer noch nicht richtig aus?

Neuronale Netze generieren bereits Anime, aber die Qualität hängt stark vom Modell und den Einstellungen ab. Es gibt Momente, die ziemlich anständig aussehen - die Charaktere sind erkennbar, die Emotionen im Gesicht kommen rüber, die Farbpalette ist leuchtend. Aber wenn man genauer hinschaut, stolpert man oft über seltsame Proportionen der Gliedmaßen, unnatürliche Krümmungen des Oberkörpers, und manchmal sehen die Hände einfach verkehrt aus. Haare und Stoffe sehen oft noch wie matschig verquirlte Masse aus, statt wie einzelne Strähnen.

Das Hauptproblem ist, dass neuronale Netze von fertigen Frames lernen, aber Anime ist nicht einfach nur ein schönes Bild, sondern auch eine Abfolge von Frames mit richtiger Animation. Selbst wenn ein einzelner statischer Frame gut aussieht, fangen die Schwierigkeiten in der Bewegung an: Charaktere zucken, verlieren die Konsistenz, die Gesichtszüge ändern sich von Frame zu Frame. Echtes Anime erfordert eine Menge manueller Detailausarbeitung.

Für schnelle Skizzen oder Concept-Art helfen neuronale Netze bereits ganz gut. Aber vollständiges Anime, das man Serie für Serie ohne Verdruss anschauen kann, produziert der Generator bisher nicht ohne ernsthafte Nachbearbeitung. Wahrscheinlich werden sie in Zukunft Assistenten für Animator sein, keine vollständige Ersetzung - für Qualität muss man letztendlich entweder Zeit oder Geld zahlen.

Wenn ich versucht habe, Anime-Szenen in verschiedenen KI-Modellen zu generieren, ist mir ein Problem aufgefallen - die Hände der Charaktere sehen oft merkwürdig aus, die Finger werden nicht richtig gezählt. Das gilt für fast alle Modelle, selbst wenn Gesicht und Kleidung ziemlich anständig aussehen. Kurz gesagt, KI-Modelle kommen mit der allgemeinen Komposition und Gesichtsdetails klar, aber mit der Anatomie in Bewegung hadern sie noch.

Ich habe kürzlich Beispiele gesehen, die Leute ins Netz gestellt haben - in manchen Fällen sieht es wirklich ganz anständig aus. Gesichter, Haare, die gesamte Komposition können durchaus okay sein. Aber je länger man hinschaut, desto mehr Fehler fallen auf. Neben den Händen, die ja bereits erwähnt wurden, stimmt oft die Anatomie nicht - Proportionen des Oberkörpers, irgendwie merkwürdige Beine. Und wenn mehrere Charaktere in einer Szene sind, können sie ineinander stecken oder merkwürdig darstehen.

Ich habe mal versucht, eine einfache Szene zu generieren - ein Mädchen mit einer Katze im Zimmer. Die Katze ist irgendwie abstrakt geworden, der Kopf passt nicht zum Körper, und das Mädchen sieht komisch geformt aus, als wäre sie falsch verbogen. Das heißt, das neuronale Netzwerk versteht, dass da Charaktere sein sollen, vermittelt auch Emotionen, aber die Details passen nicht zusammen. Für statische Porträts kann das ganz okay sein, aber für eine vollständige Anime-Episode mit Bewegung und Charakterinteraktion ist das noch sehr weit weg vom fertigen Produkt.

Ich denke, das Problem ist, dass Anime eine Kunstform mit eigenen Regeln und Stilistik ist, nicht einfach nur eine fotografische Wiedergabe der Realität. Neuronale Netzwerke haben diese spezifische Sprache bisher noch nicht wirklich verinnerlicht.

Das Problem liegt nicht nur bei den Händen, sondern auch darin, dass KI-Modelle Bewegung und Dynamik schlecht verstehen. Eine statische, schöne Szene können sie hinbekommen, aber bei einer Sequenz von Frames wird es asynchron - die Charaktere teleportieren sich sozusagen zwischen den Frames oder wechseln die Positionen auf unnatürliche Weise. Für vollwertiges Anime ist das ein großes Problem, weil der ganze Witz in der Flüssigkeit und Ausdruckskraft der Bewegungen liegt, nicht nur in hübschen Gesichtern.