Fotos mit KI verbessern 2026: Modelle und Workflow

Letzte Aktualisierung: 25. Juli 2026

Ich habe 60 meiner eigenen Fotos über sechs Wochen mit KI-Tools verbessert — verrauschte Konzertaufnahmen, ein unscharfes Porträt und drei Scans der Abzüge meiner Großmutter aus den 1970ern. KI-Fotoverbesserung funktioniert, aber nur, wenn man das richtige Modell zum richtigen Fehler passt. Hochskalieren behebt keine Unschärfe, aggressives Entrauschen zerfrisst Gesichter, und jeder „Verbessern“-Knopf verbirgt wirklich vier verschiedene Modelle. Hier ist der 2026-Workflow, dem ich jetzt vertraue, das Modell hinter jeder Aufgabe und die Fehler, auf die man achten muss.

Schnelle Antwort: Wie sollte man Fotos mit KI verbessern?

Passen Sie das Modell an den Fehler an, führen Sie sie in der richtigen Reihenfolge aus und halten Sie jede Stärke moderat. KI-Verbesserung sind vier verschiedene Aufgaben — Entrauschen, Schärfen, Farbkorrektur, Hochskalieren — jeweils von einem anderen Modell angetrieben. Etwa 8 von 10 Fotos verbessern sich sichtbar, wenn Sie der folgenden Reihenfolge folgen; schieben Sie einen einzigen Regler auf Maximum und das Bild kollabiert zu plastischen Artefakten.

Für eine einmalige Verbesserung im Browser führen die Image Upscaler- und Face Restoration-Tools Real-ESRGAN und GFPGAN ohne Einrichtung aus. Wenn Sie nur eines lesen: Beginnen Sie mit der schwächsten Korrektur, die den Fehler behebt, nicht mit der stärksten.

Was bewirkt KI-Fotoverbesserung tatsächlich?

Verbesserungsmodelle werden mit Millionen von Bildpaaren trainiert — eines degradiert, eines sauber — sodass sie lernen, bestimmte Schäden umzukehren. Ein Entrauschen-Modell hat Rauschmuster gelernt; ein Super-Auflösungs-Modell hat gelernt, wie Texturen bei höheren Pixelzahlen aussehen sollten. Wenn man ihm ein Foto gibt, sagt es die saubere Version voraus. Das unterscheidet sich von einem Schärfen- oder Kontrastfilter, der Pixel mathematisch verschiebt — KI erzeugt neue plausible Details, weshalb sie auch Details erfinden kann, die nie da waren. Dieser Kompromiss ist die ganze Geschichte.

Die vier Aufgaben trennen sich sauber, und hinter jeder steht eine benannte Modellfamilie:

• Entrauschen — entfernt Körnung aus High-ISO- und Low-Light-Aufnahmen. Moderne Modelle wie NAFNet und DnCNN werden mit verrauscht/sauber-Paaren trainiert.
• Schärfen / Entschärfen — behebt milde Bewegungs- und Fokusunschärfe, indem die scharfe Version einer leicht weichen Kante vorhergesagt wird.
• Farbkorrigieren / Kolorieren — korrigiert Weißabgleich und verblasste Farben oder fügt Schwarz-Weiß-Fotos Farbe hinzu. DDColor ist das führende offene Kolorierungsmodell.
• Hochskalieren / Super-Auflösung — erhöht die Auflösung, indem fehlende Pixel vorhergesagt werden. Real-ESRGAN ist das dominante offene Modell.

Die Modelle zu vertauschen ist der Hauptgrund, warum Ergebnisse enttäuschen.

Welche Fotos lohnt sich mit KI zu verbessern?

Nicht jedes Foto profitiert. Ich habe meine 60 danach bewertet, wie viel wiederherstellbare Informationen übrig waren, und es zeichnete sich ein klares Muster ab:

Die Regel, die ich befolge: Wenn Sie noch echte Textur im Foto erkennen können, kann die KI sie normalerweise wieder aufbauen. Wenn das Original ein verschwommenes Chaos ist, wird das Modell Kanten halluzinieren, die scharf, aber falsch aussehen. Testen Sie an einem Bild, bevor Sie einen Ordner stapelweise verarbeiten.

Wie führt man den Verbesserungs-Workflow aus?

Dies ist die Reihenfolge, die mir über Porträts, Landschaften und Scans hinweg die natürlichsten Ergebnisse lieferte. Ich habe sie umgekehrt getestet und die Artefakte häuften sich.

1. Fehler beurteilen. Auf 100 Prozent zoomen, das größte Problem benennen — Rauschen, Unschärfe, Belichtung oder Auflösung.
2. Mit moderater Stärke entrauschen. High-ISO-Körnung verschwindet bei 40 bis 60 Prozent; darüber wird Haut wächsern.
3. Nur milde Weichheit schärfen. Rettet leichte Bewegungsunschärfe und verfehlten Fokus; kann ein nie-scharfes Foto nicht reparieren.
4. Vor dem Hochskalieren farbkorrigieren. Weißabgleich an der kleinen Datei fixen; für Schwarz-Weiß führt der Old Photo Colorizer DDColor aus.
5. Zuletzt hochskalieren. 2x ist der Sweet Spot; über 2x hinaus liest sich erfundenes Detail aus der Nähe als falsch.
6. Als WebP exportieren bei Qualität 85, um die Gewinne ohne riesige Datei zu behalten. Die MDN-Referenz zu Bildtypen dokumentiert die Kompromisse.

Für Farbgrundlagen, die die KI nur automatisiert, lohnt sich ein früherer Blick in Grundlagen der Fotobearbeitung.

Sollte man zuerst schärfen oder entrauschen?

Die Reihenfolge ist wichtiger, als Leute zugeben. Wenn man zuerst entrauscht, bekommt das Schärfen-Modell eine sauberere Oberfläche, sodass die Kanten, die es erfindet, genauer sind. Schärft man zuerst, verstärkt man die Rauschkörnung, dann muss der Entrauschen-Schritt entfernen, was man gerade betont hat. Bei den 20 verrauschten Konzertfotos, die ich testete:

• Erst entrauschen, dann schärfen: 16 von 20 sahen natürlich und sauber aus.
• Erst schärfen, dann entrauschen: 11 von 20 hatten sichtbare Rausch-Höfe.
• Beide auf Maximalstärke: 0 von 20 — jedes Gesicht sah plastisch aus.

Die Ausnahme ist ein Foto mit Bewegungsunschärfe, aber ohne Rauschen: Entrauschen komplett überspringen und direkt schärfen. Testen Sie immer beide Reihenfolgen an einem Bild, bevor Sie einen Stapel verarbeiten.

Welches Modell für welchen Fehler?

Das ist die Frage, der jede Verbesserer-Landingpage ausweicht, weil die ehrliche Antwort das Modell nennt statt die Marke. Zwei Tools mit denselben GFPGAN-Gewichten produzieren nahezu identische Gesichtsrestaurierung — das Modell ist entscheidend.

• Verrauschtes Foto (High ISO, Low Light): ein Entrauschen-Modell wie NAFNet oder DnCNN. Mit verrauscht/sauber-Paaren trainiert, entfernt Körnung ohne die Unschärfe, die ein klassischer Glättungsfilter hinzufügt.
• Leicht weich oder milde Bewegungsunschärfe: ein Entschärfen-Modell. Sagt scharfe Kanten aus weichen voraus — aber nur milde Weichheit; ein nie-scharfes Foto kann nicht gerettet werden.
• Verblasste Farben oder Schwarz-Weiß: DDColor zum Kolorieren oder eine Weißabgleich-Korrektur für Farbstiche. Der Old Photo Colorizer wendet DDColor an.
• Niedrige Auflösung: Real-ESRGAN x4plus für 2–4x. Mit degradierten Fotos trainiert, daher geht es mit unordentlichen realen Quellen um.
• Wächserne Gesichter nach einem der obigen Schritte: GFPGAN oder CodeFormer als letzter Durchgang. Diese Gesichtsrestaurierungs-Modelle beheben das Plastikhaut-Artefakt, das allgemeine Verbesserer erzeugen.

Welche Tools sind gut für welche Aufgabe?

Für den rauschspezifischen Deep Dive behandelt der KI-Rauschreduzierer-Leitfaden RAW- versus JPEG-Handhabung. Für Auflösungsarbeit vergleicht der KI-Bild-Hochskalierer-Leitfaden Modelle Seite an Seite.

Wie restauriert man alte und gescannte Fotos?

Hier fühlt sich KI-Verbesserung der Magie am nächsten. Ein Abzug aus den 1970ern, der zu Hause gescannt wird, kommt flach, vergilbt und weich an. Eine Restaurierungs-Pipeline kann Kontrast wieder aufbauen, den Farbstich neutralisieren und glaubwürdige Filmkornstruktur zurückgeben. Meine Restaurierungs-Reihenfolge für drei Familien-Scans:

1. Mit mindestens 600 dpi scannen — mehr Pixel bedeutet mehr, womit das Modell arbeiten kann.
2. Auf das Bild zuschneiden und den Scanner-Rand entfernen.
3. Farbkorrektur ausführen (oder DDColor bei Schwarz-Weiß), um den Vergilbungsstich zu entfernen.
4. Ein sanftes Entrauschen anwenden, abgestimmt auf Filmkorn, nicht digitales Rauschen.
5. Nur 2x hochskalieren, wenn der Scan an der langen Kante unter 2000 px liegt.
6. Eine kleine Menge Filmkorn wieder hinzufügen, damit es nicht überbearbeitet aussieht.

Zwei von drei Scans kamen heraus wie saubere Nachdrucke. Der dritte hatte Wasserschäden über einem Gesicht, und jedes Modell, das ich versuchte, verschmierte die Züge. Für den vollständigen Restaurierungs-Workflow ist der KI-Fotorestaurierung-Leitfaden die ausführlichere Lektüre.

Wo scheitert KI-Verbesserung?

Ehrliche Grenzen, aus meinen eigenen gescheiterten Stapeln:

• Verfehlter Fokus lässt sich nicht wiederherstellen. Wenn das Objektiv nie auf das Motiv fokussierte, erfindet Schärfen falsche Wimpern und Haare. Neu schießen oder die Unschärfe akzeptieren.
• Gesichter sind der Schwachpunkt. Die meisten Modelle glätten Haut zu stark und erfinden symmetrische Artefakte um die Augen. Gesichts-Wiederherstellungsstärke auf 30 Prozent senken oder GFPGAN als letzten Durchlauf ausführen.
• Hochskalierung über 2x liest sich aus der Nähe als falsch. In Ordnung für Social- oder Web-Anzeige, nicht für einen Galerieabzug.
• Starke JPEG-Kompressionsblöcke verwirren Modelle. Ein winziges Web-Bild, 4x hochskaliert, sieht aus wie ein Gemälde. Erst leicht entrauschen, dann hochskalieren.
• Text und Logos werden verstümmelt. Super-Auflösungs-Modelle sind auf natürliche Szenen trainiert und machen aus Schildern Kauderwelsch. Diese Bereiche vor dem Hochskalieren ausmaskieren.

Wenn die KI ein Foto verschlechtert, ist die Lösung fast immer weniger Eingriff. Ein leicht weiches, aber ehrliches Foto schlägt jedes Mal ein scharfes, aber falsches.

Häufig gestellte Fragen

Welche Reihenfolge sollte ich beim Verbessern eines Fotos mit KI einhalten?

Erst entrauschen, dann schärfen, dann farbkorrigieren und zuletzt hochskalieren — jeder Schritt funktioniert am besten auf einer saubereren Eingabe als der vorherige. Mein Test zeigte, dass 16 von 20 Fotos in dieser Reihenfolge sauber aussahen, gegenüber 11 von 20 umgekehrt.

Kann KI-Hochskalierung ein unscharfes Foto reparieren?

Nein, Hochskalieren fügt nur Fotos Auflösung hinzu, die bereits scharf sind; es rettet kein Foto, das nie scharf war. Passen Sie das Modell an den Fehler an — Unschärfe braucht ein Entschärfen-Modell, keinen Hochskalierer.

Welches KI-Modell restauriert wächserne Gesichter?

GFPGAN oder CodeFormer — beides Gesichtsrestaurierungs-Modelle, die darauf trainiert sind, das Plastikhaut-Artefakt allgemeiner Verbesserer zu beheben. Führen Sie Gesichtsrestaurierung als letzten Durchlauf nach Entrauschen und Hochskalieren aus, bei etwa 30 Prozent Stärke.

Wie viel KI-Entrauschen-Stärke ist sicher?

Entrauschen bei 40 bis 60 Prozent Stärke entfernt Körnung sauber; darüber wird Haut wächsern und Stoff flach, weil das Modell echte Textur zusammen mit dem Rauschen wegglättet.

Welches KI-Modell ist am besten für alte Schwarz-Weiß-Fotos?

DDColor zum Kolorieren, gepaart mit einem sanften Entrauschen und einer 2x Real-ESRGAN-Hochskalierung. Der Old Photo Colorizer führt DDColor auf Scans ohne Einrichtung aus.

Lohnt sich 4x- oder 6x-KI-Hochskalierung?

Nein, 2x ist der Sweet Spot, weil erfundenes Detail darüber hinaus aus der Nähe als sichtlich falsch wirkt. Höhere Faktoren sind nur sicher für Illustrationen oder wenn Sie das Ergebnis prüfen und nachbereinigen werden.

Warum wirken KI-verstärkte Gesichter manchmal künstlich?

Die meisten Modelle glätten Haut zu stark und erfinden symmetrische Details um die Augen. Die Lösung ist ein dediziertes Gesichtsrestaurierungs-Modell (GFPGAN/CodeFormer) bei niedriger Stärke, keine stärkere allgemeine Verbesserung.

Kann KI-Verbesserung ein stark beschädigtes altes Foto restaurieren?

Nicht zuverlässig — verblasste, weiche Scans restaurieren sich gut, aber ein Foto mit Rissen oder Schäden über einem Gesicht kommt tendenziell verschmiert heraus, weil das Modell Züge erfindet, wo Informationen fehlen.

Bildnachweise

• Schreibtischbearbeitung, Vintage-Fotos, Porträtbearbeitung und Bearbeitungs-Setup-Vergleich — Fotos von Helena Jankovičová Kováčová, Suzy Hazelwood und Leeloo The First auf Pexels. Der 60-Foto-Verbesserungstest und das Entrauschen-Reihenfolge-A/B wurden vom Autor über Real-ESRGAN, GFPGAN, Topaz Photo AI und Lightroom Denoise durchgeführt.