Inpainting

Inpainting hat seinen Ursprung in der traditionellen Kunstrestaurierung, bei der Restauratoren fehlende Teile beschädigter Gemälde akribisch von Hand bemalten. Digitales Inpainting übersetzt dieses Konzept in einen automatisierten Prozess. Frühe Algorithmen nutzten Diffusionsgleichungen, um die umgebende Farbe und Textur in fehlende Regionen zu übertragen. Modernes KI-basiertes Inpainting verwendet Deep-Learning-Modelle, die auf Millionen von Bildern trainiert wurden, um vorherzusagen, welcher Inhalt eine Lücke füllen sollte, und berücksichtigt dabei sowohl lokale Texturmuster als auch das globale Szenenverständnis. Diese Modelle zeichnen sich durch die Aufrechterhaltung der visuellen Kohärenz über große gefüllte Bereiche aus, in denen einfaches Kopieren der Textur offensichtliche Wiederholungsartefakte erzeugen würde.\n\nStellen Sie sich ein gescanntes Familienfoto aus den 1960er Jahren mit einem Wasserfleck an einer Ecke vor. Der Fleck verdeckt einen Teil des Hintergrunds und die Schulter einer Person. KI-Inpainting analysiert die umgebenden Stoffmuster, Hauttöne und Hintergrundelemente, um das Verborgene zu rekonstruieren. Das Ergebnis bewahrt den zeitgemäßen Stil und die fotografischen Eigenschaften des Originalbilds.\n\nInpainting unterscheidet sich vom einfachen Klonen, da es wirklich neue Inhalte generiert, anstatt von anderen Stellen im Bild zu kopieren. Dies bedeutet, dass große fehlende Bereiche bearbeitet werden können, in denen kein geeignetes Ausgangsmaterial zum Klonen vorhanden ist. Es vermeidet außerdem die verräterischen Wiederholungsmuster, die das Klonen von Stempeln erkennbar machen.\n\nMagic Eraser verlässt sich bei der Entfernung von Objekten mit einem Klick auf KI-Inpainting. Wenn ein Benutzer ein unerwünschtes Element auswählt, füllt das Inpainting-Modell den Bereich mit kontextuell passenden Inhalten – es erzeugt Gras dort, wo Gras sein sollte, setzt Ziegelmuster fort oder erweitert Himmelsverläufe. Die KI FilAI Fill erweitert Inpainting weiter, um Benutzern die Generierung völlig neuer Inhalte in ausgewählten Regionen basierend auf dem umgebenden visuellen Kontext zu ermöglichen. Diese Kombination aus Entfernen und Generieren bedeutet, dass Benutzer nicht nur unerwünschte Elemente löschen, sondern auch komplexe Hintergründe nahtlos rekonstruieren können, einschließlich komplexer architektonischer Details, natürlicher Landschaften und sich wiederholender Muster, die herkömmliche Bearbeitungsmethoden in Frage stellen würden.