KI Panorama

Suche

Medium oder Format: 3D

  • Kreativ mit KI: Bild, Audio, Video und 3D

    Der Lernpfad führt durch Bildgenerierung, Video, Sprache, Musik und 3D. Er verbindet technische Grundlagen mit praktischen Projekten und Fragen zu Herkunft und Kennzeichnung.

    Für wen ist dieser Lernpfad?

    Für Kreative, Medieninteressierte und Einsteiger, die mehrere generative Medien kennenlernen und sinnvoll kombinieren möchten.

    Lernschritte

    1. Wie KI Bilder erzeugt
      Grundprinzipien und typische Qualitätsprobleme verstehen.
    2. Eine konsistente Bildserie erstellen
      Stil, Figuren und Bildsprache über mehrere Motive hinweg stabilisieren.
    3. Text-zu-Video und Bild-zu-Video
      Möglichkeiten und Grenzen generierter Bewegtbilder einordnen.
    4. Voice-over mit KI erstellen
      Skript, Stimme, Aussprache und Freigaben kontrollieren.
    5. Einen Songentwurf erstellen
      Musikalische Ideen erzeugen und redaktionell weiterentwickeln.
    6. Text-zu-3D und Bild-zu-3D
      Generative 3D-Verfahren und Nachbearbeitung kennenlernen.
    7. Eine Multimedia-Kampagne vorbereiten
      Mehrere Medien in einem konsistenten Workflow verbinden.
    8. Content Credentials und C2PA
      Herkunftsinformationen und Kennzeichnungsmöglichkeiten verstehen.

    Was du danach kannst

    • generative Medienverfahren voneinander unterscheiden
    • einfache Medienprojekte strukturiert planen
    • typische Qualitätsfehler gezielt kontrollieren
    • Rechte, Zustimmung und Herkunftsnachweise berücksichtigen

    Hinweise zur Nutzung

    Nutzungsrechte, Persönlichkeitsrechte und Kennzeichnungspflichten müssen vor jeder Veröffentlichung für den konkreten Anwendungsfall geprüft werden.

    Grundlagen für die Lernstruktur

  • Text-zu-3D und Bild-zu-3D

    3D-Generatoren können aus Text oder Referenzbildern ein Mesh mit Form und häufig auch Texturen erzeugen. Das Ergebnis ist ein Ausgangspunkt, nicht automatisch ein produktionsfertiges CAD- oder Druckmodell.

    Mögliche Ausgaben

    • Game Assets
    • Produkt- und Figurenkonzepte
    • Objekte für AR und VR
    • Modelle für Animation
    • Entwürfe für 3D-Druck

    Was geprüft werden muss

    • Topologie und Polygonzahl
    • UV-Mapping und Texturen
    • Maßstab und Abmessungen
    • geschlossene Geometrie für 3D-Druck
    • Rigging und Beweglichkeit

    Unterschied zu CAD

    Ein visuell überzeugendes Mesh besitzt nicht automatisch technische Maße, Materialeigenschaften, Fertigungstoleranzen oder parametrische Konstruktionsdaten. Für technische Bauteile bleibt CAD-Nacharbeit erforderlich.

    Gute Referenzbilder

    Klare Silhouette, neutraler Hintergrund, gleichmäßige Beleuchtung und mehrere Ansichten verbessern die Chance auf ein brauchbares räumliches Ergebnis.

    Quellen und Prüfstand

    Prüfstand: 28.07.2026. Produktfunktionen, Nutzungsbedingungen und Rechte können sich ändern und müssen vor einer Veröffentlichung beim jeweiligen Anbieter geprüft werden.

  • NeRF: Ansichten aus Fotos rekonstruieren

    Ein NeRF lernt aus mehreren Bildern, welche Farbe und Dichte an räumlichen Positionen entlang verschiedener Blickrichtungen zu erwarten sind. Daraus lassen sich neue Ansichten derselben Szene rendern.

    Einfach erklärt

    Viele Fotos zeigen eine Szene aus unterschiedlichen Blickwinkeln. Das Modell lernt daraus eine kontinuierliche räumliche Darstellung, durch die eine virtuelle Kamera bewegt werden kann.

    Geeignete Motive

    • statische Räume und Objekte
    • Kultur- und Produktdokumentation
    • virtuelle Rundgänge
    • visuelle Effekte und Forschung

    Grenzen

    Bewegte Menschen, spiegelnde oder transparente Flächen, stark wechselndes Licht und zu wenige Kameraperspektiven erschweren die Rekonstruktion.

    Abgrenzung

    NeRF erzeugt primär eine Darstellung für neue Ansichten. Ein direkt bearbeitbares, sauberes 3D-Mesh entsteht nicht zwingend.

    Quellen und Prüfstand

    Prüfstand: 28.07.2026. Produktfunktionen, Nutzungsbedingungen und Rechte können sich ändern und müssen vor einer Veröffentlichung beim jeweiligen Anbieter geprüft werden.

  • 3D Gaussian Splatting

    3D Gaussian Splatting beschreibt eine Szene durch zahlreiche räumliche Gauß-Primitive mit Position, Größe, Orientierung, Farbe und Transparenz. Dadurch lassen sich neue Ansichten oft sehr schnell rendern.

    Unterschied zu klassischen Punktwolken

    Die Elemente besitzen nicht nur eine Position, sondern auch räumliche Ausdehnung, Orientierung und Darstellungsparameter. Sie überlagern sich zu einem dichten Bild.

    Stärken

    • schnelles Rendering
    • hohe visuelle Qualität
    • interaktive Kamerabewegung
    • geeignet für aufgenommene reale Szenen

    Grenzen

    • große Datenmengen
    • schwierige Bearbeitung einzelner Objekte
    • Artefakte bei unzureichenden Aufnahmen
    • kein automatisch sauberes CAD- oder Animationsmodell

    Aufnahmehinweis

    Viele scharfe, überlappende Bilder mit gleichmäßiger Belichtung und ruhiger Kameraführung bilden eine bessere Grundlage als wenige stark unterschiedliche Aufnahmen.

    Quellen und Prüfstand

    Prüfstand: 28.07.2026. Produktfunktionen, Nutzungsbedingungen und Rechte können sich ändern und müssen vor einer Veröffentlichung beim jeweiligen Anbieter geprüft werden.

  • Ein 3D-Asset aus Text oder Bild erstellen

    Text-zu-3D und Bild-zu-3D beschleunigen den Entwurf. Vor der Nutzung muss das Modell technisch geprüft, bereinigt und an das Zielsystem angepasst werden.

    Geeignet für

    • Game Assets
    • AR- und VR-Prototypen
    • Produktkonzepte
    • Figuren und Requisiten
    • einfache 3D-Druckideen

    Vorgehensweise

    • klare Beschreibung oder Referenzbilder vorbereiten
    • mehrere Geometrievarianten erzeugen
    • beste Form auswählen
    • Topologie, Löcher und Maßstab prüfen
    • Textur und UVs anpassen
    • für Engine, Renderer oder Slicer exportieren

    Qualitätskontrolle

    • saubere Silhouette
    • keine schwebenden Flächen
    • geeignete Polygonzahl
    • korrekte Normalen
    • Lizenz der Eingaben und Ausgabe

    Grenzen

    Das Ergebnis ist nicht automatisch technisch belastbar oder maßhaltig. Konstruktionsteile müssen in CAD neu aufgebaut und geprüft werden.

    Quellen und Prüfstand

    Prüfstand: 28.07.2026. Produktfunktionen, Nutzungsbedingungen und Rechte können sich ändern und müssen vor einer Veröffentlichung beim jeweiligen Anbieter geprüft werden.

  • Einen Raum oder Gegenstand als NeRF oder Gaussian Splat erfassen

    Für eine gute Rekonstruktion ist die Aufnahme wichtiger als der spätere Algorithmus. Scharfe, überlappende Bilder und gleichmäßige Beleuchtung reduzieren Lücken und Artefakte.

    Geeignet für

    • virtuelle Rundgänge
    • Dokumentation von Räumen
    • Kunst- und Sammlungsobjekte
    • Filmsets und Referenzen

    Vorgehensweise

    • Szene ruhig und gleichmäßig beleuchten
    • langsam mit hoher Bildüberlappung aufnehmen
    • bewegte Personen vermeiden
    • Rekonstruktion berechnen
    • Lücken und störende Bereiche prüfen
    • Ausgabe für Web oder Präsentation optimieren

    Qualitätskontrolle

    • keine fehlenden Blickwinkel
    • keine Bewegungsartefakte
    • korrekte Größenwirkung
    • sensible Bereiche entfernt oder unkenntlich
    • Dateigröße und Ladezeit

    Grenzen

    Spiegel, Glas, Wasser, stark glänzende Flächen und bewegte Motive sind problematisch. Die Darstellung ist nicht automatisch ein maßhaltiges Aufmaß.

    Quellen und Prüfstand

    Prüfstand: 28.07.2026. Produktfunktionen, Nutzungsbedingungen und Rechte können sich ändern und müssen vor einer Veröffentlichung beim jeweiligen Anbieter geprüft werden.

  • AlphaFold 3: Strukturen biomolekularer Wechselwirkungen

    AlphaFold 3 nutzt eine deutlich veränderte, diffusionsbasierte Architektur zur gemeinsamen Strukturvorhersage biomolekularer Komplexe. Es ist ein Forschungswerkzeug für Hypothesen und Strukturmodelle, kein Ersatz für experimentelle Validierung oder klinische Entscheidungen.

    Forschungsfrage

    Wie lassen sich nicht nur einzelne Proteine, sondern die räumlichen Strukturen und Wechselwirkungen verschiedener Biomoleküle vorhersagen?

    Ansatz

    Das Modell verarbeitet Sequenzen und chemische Komponenten gemeinsam und erzeugt atomare 3D-Strukturen mit einem Diffusionsmodul. Konfidenzwerte helfen dabei, Vorhersagen einzuordnen.

    Validierte Ergebnisse

    • Die Nature-Arbeit berichtet verbesserte Genauigkeit für mehrere Klassen biomolekularer Interaktionen
    • Unterstützt werden unter anderem Proteine, Nukleinsäuren, kleine Moleküle, Ionen und modifizierte Reste
    • Der AlphaFold Server ermöglicht ausgewählten Forschungsnutzungen ohne eigene Hochleistungsinfrastruktur

    Bedeutung

    • Hypothesen über Protein-Ligand- und Protein-Nukleinsäure-Interaktionen
    • Unterstützung früher Phasen biologischer und pharmazeutischer Forschung
    • Gemeinsame Betrachtung verschiedener Molekülklassen in einem Modell

    Grenzen

    • Vorhersagen ersetzen keine Labor- oder klinischen Daten
    • Beweglichkeit, Reaktionsabläufe und zelluläre Bedingungen werden nur begrenzt abgebildet
    • Konfidenzwerte müssen für jede Komponente und Interaktion geprüft werden

    Status

    Veröffentlichtes Forschungssystem; Nutzung und Lizenzbedingungen unterscheiden sich zwischen Server, Code und Gewichten.

    Primärquellen

  • MatterGen: Materialien nach gewünschten Eigenschaften erzeugen

    Statt eine feste Datenbank nur zu durchsuchen, beginnt MatterGen mit Anforderungen und generiert passende Kristallstrukturen. Computergestützte Stabilität und gewünschte Eigenschaften sind jedoch nur der Anfang; Synthese und Messung im Labor bleiben unverzichtbar.

    Forschungsfrage

    Können neue anorganische Materialien direkt unter Bedingungen wie Zusammensetzung, Symmetrie, Magnetismus oder mechanischen Eigenschaften erzeugt werden?

    Ansatz

    Ein diffusionsbasiertes Modell erzeugt atomare Zusammensetzungen, Gitter und Positionen. Durch Fine-Tuning oder konditionierte Generierung wird die Suche auf gewünschte Eigenschaften gelenkt.

    Veröffentlichte Ergebnisse

    • Erzeugung stabiler und neuartiger Materialkandidaten über verschiedene chemische Systeme
    • Steuerung nach mehreren Eigenschaftsbedingungen
    • Experimentelle Synthese eines vorgeschlagenen Materials als Teil der Validierung

    Bedeutung

    • Inverse Materialentwicklung statt ausschließlichem Screening
    • Schnellere Hypothesenbildung für Batterien, Magnete und andere Anwendungen
    • Verbindung generativer Modelle mit Simulation und Laborprüfung

    Grenzen

    • Berechnete Eigenschaften können von realen Proben abweichen
    • Herstellbarkeit, Defekte und Skalierbarkeit sind separate Probleme
    • Die Wahl der Trainingsdaten begrenzt den erforschten chemischen Raum

    Primärquellen

  • 3D-Modelle und Texturen vorbereiten

    Die Ergebnisse sind meist Ausgangspunkte. Topologie, Maßhaltigkeit, Materialeigenschaften und technische Eignung müssen in 3D- oder CAD-Software geprüft werden.

    Geeignet für

    • Game Assets
    • Visualisierung
    • 3D-Druck-Prototypen
    • Produktentwürfe

    Voraussetzungen

    Referenzbilder, Zielmaßstab, gewünschtes Dateiformat und Kenntnis der späteren Verwendung.

    Vorgehensweise

    1. Objekt und Verwendungszweck beschreiben.
    2. Ansichten oder Referenzbilder bereitstellen.
    3. Grundmodell erzeugen.
    4. Geometrie, Topologie und UVs prüfen.
    5. Texturen, Maße und Export in Fachsoftware nachbearbeiten.

    Beispiel

    Aus mehreren Produktansichten entsteht ein grobes 3D-Modell für eine Visualisierung.

    Qualitätskontrolle

    • Maße und Wandstärken für Fertigung separat kontrollieren.
    • Topologie und Texturauflösung prüfen.
    • Modelle vor Veröffentlichung oder Druck in Fachsoftware validieren.

    Grenzen und Risiken

    • Generierte Geometrie ist nicht automatisch druck-, simulations- oder fertigungstauglich.
    • Verdeckte Flächen und Details können frei erfunden sein.

    Passende Tools und Modelle

    Text-zu-3D- und Bild-zu-3D-Dienste, 3D-Editoren und CAD-Systeme.

    Quellen und Leitlinien

  • Generative KI

    Generative KI berechnet neue Inhalte, die zu einer Eingabe und zu den im Training gelernten Mustern passen. Sie ruft dabei nicht einfach einen fertigen Text oder ein fertiges Bild aus einer Datenbank ab.

    Einfach erklärt

    Ein generatives Modell lernt, wie bestimmte Daten typischerweise aufgebaut sind. Ein Sprachmodell lernt Muster in Texten. Ein Bildmodell lernt statistische Zusammenhänge zwischen Bildinhalten und Beschreibungen. Aus einer neuen Anweisung erzeugt es dann eine neue Ausgabe.

    Das Ergebnis kann originell wirken, bleibt aber eine mathematisch erzeugte Kombination gelernter Strukturen. Es besitzt keine automatische Garantie für Wahrheit, Urheberrechtsfreiheit oder Eignung.

    Anschauliches Beispiel

    Bei der Eingabe „eine technische Zeichnung eines freundlichen Haushaltsroboters“ erzeugt ein Bildmodell keine Fotografie aus einem Archiv. Es startet je nach Modelltyp mit Rauschen oder einer latenten Repräsentation und formt daraus schrittweise ein Bild, das zur Beschreibung passt.

    Fortgeschrittene Erklärung

    Zu generativen Modellklassen gehören autoregressive Modelle, Diffusionsmodelle, Variational Autoencoder und Generative Adversarial Networks. Autoregressive Sprachmodelle erzeugen Sequenzen schrittweise. Diffusionsmodelle lernen, Rauschen zu entfernen und daraus strukturierte Daten zu rekonstruieren.

    Die Ausgabe wird durch Eingabe, Kontext, Sampling-Verfahren, Modellparameter und Sicherheitsmechanismen beeinflusst. Unterschiedliche Einstellungen können bei derselben Eingabe unterschiedliche Ergebnisse erzeugen.

    Expertenwissen

    Generative Modelle approximieren eine Datenverteilung oder eine bedingte Verteilung. Beim Sampling werden neue Beispiele aus dieser gelernten Verteilung erzeugt. Bei Foundation Models wird ein breit trainiertes Basismodell für viele Aufgaben genutzt und durch Prompting, Fine-Tuning, Retrieval oder Werkzeuge angepasst.

    NIST beschreibt für generative KI unter anderem Risiken wie Konfabulationen, Datenschutzverletzungen, schädliche Verzerrungen, Informationsintegrität, Sicherheitsprobleme und problematische Mensch-System-Konfigurationen.

    Möglichkeiten und Grenzen

    • Erzeugung und Bearbeitung von Text, Bild, Audio, Video, 3D und Code.
    • Schnelle Variantenbildung, Entwürfe und Unterstützung kreativer Prozesse.
    • Ausgaben können sachlich falsch, verzerrt oder rechtlich problematisch sein.
    • Vertrauliche Daten dürfen nicht ungeprüft an externe Dienste übermittelt werden.
    • Qualitätskontrolle und Quellenprüfung bleiben erforderlich.

    Quellen