KI-Produktfotos aus einem einzigen Handyfoto: Was funktioniert hat und was gescheitert ist
Auf meinem Schreibtisch steht eine markenlose Sprühflasche aus Braunglas, so eine, in die man Parfum abfüllt. Ich habe sie einmal mit dem Handy fotografiert und wollte wissen, ob dieses eine Bild reicht, um einen Satz KI-Produktfotos zu bekommen, die auf einer Produktseite bestehen — dazu noch ein kurzes KI-Produktvideo.
Kein Studio, keine Softbox, niemand engagiert. Hier der komplette Durchlauf, samt der beiden Stellen, die nicht funktioniert haben.
Was einem Handyfoto tatsächlich fehlt
Ein Holztisch, ein verknotetes Ladekabel, ein halber kalter Kaffee, ein harter Schatten von der Deckenlampe und ein gelbgrüner Stich über allem. Genau von hier starten die meisten kleinen Händler wirklich.
Was fehlt, ist nicht die Schärfe. Es sind drei andere Dinge: Der Hintergrund ist unruhig, das Licht hat keine Richtung, und der Bildausschnitt passt nicht zu den übrigen Bildern der Produktseite. Diese drei sind zufällig genau das, was KI-Produktfotos derzeit am zuverlässigsten lösen.
Die Anforderungen an die Ausgangsaufnahme sind gering: Objekt vollständig im Bild, nicht verwackelt, nicht im Schatten versunken. Wer das erfüllt, kommt mit einem Handyfoto aus.
Der erste Schritt ist nicht Generieren, sondern Freistellen
Das Ergebnis vorweg: Das Freistellen war der unproblematischste Teil des ganzen Durchlaufs.
Links das Original, in der Mitte der Freisteller, rechts die Glaskante bis auf Pixelebene vergrößert. Die transparente Überkappe blieb vollständig erhalten, die Kante kam ohne weißen Saum und ohne Fransen zurück — Glas und transparenter Kunststoff sind sonst genau die Materialien, an denen Freisteller scheitern, und hier ging es im ersten Anlauf durch. Dieser Schritt lief über Hintergrund entfernen.
Beim Hineinzoomen kam allerdings etwas anderes zum Vorschein: Der gelbgrüne Stich des Originals ist unverändert mitgewandert. Freistellen trennt Objekt und Hintergrund, es korrigiert keine Farbe. Diese Datei mit transparentem Hintergrund ist also kein fertiges KI-Produktfoto, sondern die Referenz, aus der alle folgenden entstehen.
Licht schlägt Kulisse: Schreib das Licht, nicht den Ort
Mit der Referenz in der Hand habe ich über die KI-Bildgenerierung die vier Szenen erzeugt, die Produktseiten am häufigsten verlangen.
Oben links das Hauptbild auf Weiß: flaches Licht, ein Aufheller rechts, ein kleiner Kontaktschatten unter dem Boden. Oben rechts steht sie auf beigem Stein unter warmem, flachem Gegenlicht, der Schatten zieht lang und eine goldene Kante läuft an der rechten Glasseite entlang. Unten links dunkler Grund mit einer einzelnen harten Lampe, die linke Hälfte versinkt im Schatten. Unten rechts die Lifestyle-Variante: Marmorablage und ein paar Eukalyptuszweige.
Der nützlichste Punkt aus diesem Schritt: Szene und Licht gehören in einen Satz. „Auf einer Steinfläche" liefert eine Fläche und ein richtungsloses Lichtbad. „Warmes, flaches Gegenlicht von rechts oben, Schatten nach links gezogen, goldene Kante an der rechten Glasseite" liefert das Bild oben. Richtung, Härte und Farbtemperatur bewegen ein KI-Produktfoto weit mehr als das, was im Hintergrund steht.
Befolgt wird die Lichtrichtung trotzdem nicht immer. Ich habe noch eine Variante auf schwarzem Acryl versucht, mit Licht von links und Schatten nach rechts. Die Spiegelung kam wunderschön; die helle Zone am Boden blieb links und der Schatten war kaum zu sehen. Die Aufnahme flog raus.
Eine Hand ins Bild holen
Jede Produktseite braucht ein „Wie groß ist das in der Hand"-Bild, und die Hand ist genau die Stelle, an der KI-Produktfotos sich verraten: verwachsene Finger, einer zu viel, ein Gelenk, das falsch herum knickt.
Ich habe hineingezoomt und nachgezählt: fünf Finger, Gelenke knicken in die richtige Richtung, Nägel gleich lang, sogar die Hautfalte am Daumenballen ist da. Erster Versuch, kein Nachlauf.
Gescheitert ist: Der Text saß, der Verschluss nicht
Bildmodelle können keinen lesbaren Text schreiben. Das habe ich als abgehakt behandelt, also habe ich es überprüft.
„LAVENDER MIST / 50 ml" kam korrekt geschrieben zurück. Auf Chinesisch umgestellt — 薰衣草喷雾 / 净含量 50 毫升 — kamen neun Zeichen ohne einen einzigen falschen Strich. Auf Etikettenlänge ist diese Faustregel abgelaufen.
Was tatsächlich gescheitert ist, hätte ich fast übersehen.
Ganz links der Verschluss im Original: kantige Schulter, gerader Schaft, flach oben. Die vier rechts daneben sind die fertigen Aufnahmen. Alle Verschlüsse wurden gewölbt, keine zwei gleich hoch oder gleich breit, und die Düse darin ändert jedes Mal ihre Form.
Die großen Dinge hat das Modell gut gehalten — Glasfarbe, Etikettenposition, Hintergrund, Licht. Was driftet, ist genau dieses strukturelle Detail, mit jedem Neuzeichnen ein Stück weiter. Bei einem echten Produkt zählt das: Wer ein Paket auspackt, das nicht zum Hauptbild passt, hinterlässt eine Ein-Sterne-Bewertung.
Die Lösung ist grob, funktioniert aber: die Aufnahme wählen, deren Verschluss dem echten Objekt am nächsten kommt, sie als einzige Referenz festsetzen und die übrigen KI-Produktfotos daraus neu erzeugen, statt jedes einzeln bei null zu beginnen.
Vom Standbild zum 10-Sekunden-KI-Produktvideo
Ich habe das Bild auf dem Stein als festes Einzelbild genommen und durch Erstes & letztes Bild zu Video geschickt — heraus kam ein 10 Sekunden langes KI-Produktvideo.
Mein Prompt verlangte zwei Dinge: eine sehr langsame Fahrt nach vorn und ein Seitenlicht, das von rechts nach links wandert, damit der Schatten kürzer wird. Eingetreten ist nur das Erste. Die Fahrt sitzt bombenfest — Flaschenform, Etikettenproportionen und Glasfarbe wackeln über gut zweihundert Bilder kein einziges Mal — das Licht dagegen steht praktisch still und der Schatten ist am Ende genauso lang wie am Anfang.
Diesen Tausch nehme ich. Der schlimmste Fehler in einem KI-Produktvideo ist ein Motiv, das sich während der Kamerabewegung verformt; eine brave Kamera ist billige Versicherung. Wer mehr Einstellungen braucht, erzeugt aus demselben festgesetzten Bild ein paar weitere KI-Produktvideos und schneidet sie zusammen.
Was es an Zeit gekostet hat
Gut vierzig Minuten vom Schnappschuss bis zu den fertigen Dateien, mehr als die Hälfte davon Warten auf Generierungen und Auswählen. Nachlauf gab es zweimal: Die Aufnahme auf schwarzem Acryl traf die Lichtrichtung nicht, traf sie im zweiten Anlauf wieder nicht und wurde aufgegeben; die Verschluss-Drift fiel erst auf, als alles fertig war, was eine komplette Runde von vier Hintergrundbildern zunichtemachte. Hätte ich zuerst eine Referenz festgesetzt, wäre diese Runde entfallen.
Bemerkenswert ist, dass im ganzen Ablauf genau ein Schritt Geschmack verlangt: die Entscheidung, welches Bild zur Referenz wird. Alles andere ist Wiederholung.
Wenn Sie ein Produkt haben, das Sie nicht gut fotografiert bekommen: Ihr Ausgangspunkt muss nicht besser sein als mein Schnappschuss. Die KI-Bildgenerierung übernimmt die Standbilder, die KI-Videogenerierung den Clip, und wenn Sie ein Dutzend KI-Produktfotos und ein paar Videos nebeneinanderlegen wollen, ziehen Sie alles auf die generative Leinwand — was bleibt und was neu läuft, sieht man dort auf einen Blick.