Bildqualität in 3 Schritten verbessern
- Laden Sie das Bild in die KI-Fotoverbesserung hoch (JPG, PNG, WebP, BMP oder TIFF, bis zu 20 MB).
- Modell wählen. Der Qualitätsmodus (Real-ESRGAN x4plus) liefert die meisten Details und vergrößert immer um das 4-Fache. Der Schnellmodus bietet 2x oder 4x und eignet sich für Screenshots und Zeichnungen.
- Laden Sie das PNG herunter und vergleichen Sie die Vorher- und Nachher-Ansicht.
Bilder, deren längere Seite 1.500 px übersteigt, werden vor der Verarbeitung auf 1.500 px verkleinert, das größte Ergebnis ist also 6.000 px bei 4x.
Was verursacht schlechte Bildqualität?
Bevor Sie ein Bild verbessern können, ist es hilfreich zu verstehen, warum es überhaupt schlecht aussieht. Bildqualität verschlechtert sich aus mehreren unterschiedlichen Gründen, und jede Art der Verschlechterung reagiert anders auf die Verbesserung.
- Starke JPEG-Kompression. Wenn ein Foto als JPEG in niedriger Qualität (unter 60–70%) gespeichert wird, verwirft der Kompressionsalgorithmus zu viele Daten. Das Ergebnis sind sichtbare Block-Artifacts (ein Gittermuster aus 8×8-Pixel-Blöcken), Ringing-Artifacts (Halos um scharfe Kanten) und Color-Banding (glatte Verläufe, die zu sichtbaren Stufen werden). Jedes Mal, wenn Sie ein JPEG erneut speichern, summieren sich die Schäden.
- Niedrige Auflösung. Bilder, die mit älteren Kameras aufgenommen, stark zugeschnitten oder als Thumbnails heruntergeladen wurden, haben einfach nicht genug Pixel. Beim Hineinzoomen zeigen sich unscharfe Kanten und fehlende feine Details. Ein 640×480-Bild, das auf einen 1920×1080-Bildschirm gestreckt wird, wirkt weich und pixelig, weil die fehlenden Pixel interpoliert und nicht real sind.
- Mehrfaches erneutes Speichern. Jedes Mal, wenn ein Bild geöffnet, bearbeitet und als JPEG gespeichert wird, wird eine weitere Kompressionsrunde angewendet. Nach 5–10 Zyklen wird selbst ein hochwertiges Original merklich schlechter. Das ist extrem häufig bei Bildern, die über Messenger-Apps geteilt werden, die Fotos bei jedem Senden erneut komprimieren.
- Screenshots komprimierter Inhalte. Ein Screenshot eines Videoanrufs, eines komprimierten Social-Media-Bildes oder eines Streams mit niedriger Bitrate erfasst alle bereits sichtbaren Artifacts auf dem Bildschirm. Der Screenshot selbst kann ein verlustfreies PNG sein, aber der erfasste Inhalt war bereits verschlechtert.
- Verkleinerte Bilder. Wenn ein hochauflösendes Foto auf eine kleinere Größe skaliert wird (für E-Mail, Web oder Messaging), gehen Details dauerhaft verloren. Wenn Sie das Bild später in einer größeren Größe benötigen, können die verlorenen Details nicht einfach durch erneutes Vergrößern wiederhergestellt werden — zumindest nicht ohne KI-Unterstützung.
- Alte Kamerasensoren. Fotos von frühen Digitalkameras (2–5 Megapixel), Handykameras der 2000er und frühen 2010er Jahre und Low-End-Webcams haben inhärent begrenzte Auflösung und Dynamikumfang. Diese Bilder kombinieren oft niedrige Auflösung mit hohem Rauschen und schlechter Farbgenauigkeit.
- Rauschen durch hohe ISO oder schwaches Licht. Kameras bei schlechten Lichtverhältnissen erhöhen die Sensorempfindlichkeit (ISO), was Körnung (Luminanzrauschen) und Farbsprenkel (Chrominanzrauschen) einführt. Das Bild wirkt körnig und es fehlen saubere Details, besonders in Schattenbereichen.
Wie KI die Bildqualität verbessert
Traditionelle Bildverbesserungswerkzeuge — Schärfungsfilter, Kontrastanpassungen, Rauschunterdrückung — können nur mit den bereits im Bild vorhandenen Daten arbeiten. Sie verteilen vorhandene Pixelwerte neu, können aber keine neuen Details erzeugen. KI-Verbesserung ist grundlegend anders.
Moderne KI-Modelle zur Verbesserung der Bildqualität sind tiefe neuronale Netze, die mit Bildpaaren trainiert werden. Beim Training sieht das Netz ein verschlechtertes Bild (unscharf, komprimiert, verrauscht) neben der hochwertigen Originalversion. Real-ESRGAN, das CleverUtils verwendet, erzeugt diese verschlechterten Kopien selbst aus sauberen Fotos. Über viele Beispiele lernt das Netz, wie fehlende Details bei unterschiedlichen Inhalten aussehen.
Wenn Sie ein Bild niedriger Qualität in einen KI-Enhancer hochladen, analysiert das Modell den Inhalt gleichzeitig auf mehreren Skalen:
- Lokale Muster. Das Netzwerk untersucht kleine Patches (Kanten, Texturen, Verläufe), um zu identifizieren, welche Art von Verschlechterung vorliegt — Kompressionsblöcke, Rauschen oder Auflösungsverlust — und wendet die entsprechende Rekonstruktion an.
- Globaler Kontext. Das Netzwerk versteht, was das Gesamtbild darstellt (ein Gesicht, eine Landschaft, Text, ein Gebäude) und nutzt diesen Kontext für intelligente Vorhersagen über fehlende Details. Ein Gesicht wird anders behandelt als eine Ziegelwand, weil die erwarteten Texturen unterschiedlich sind.
- Textursynthese. Anstatt nur zu glätten oder zu schärfen, generiert die KI plausible neue Texturen dort, wo Details fehlen. Hauttextur, Stoffmuster, Laub und Textkanten werden alle basierend auf dem rekonstruiert, was das Modell aus den Trainingsdaten gelernt hat.
Das Ergebnis ist ein Bild, das nicht nur "geschärft" ist, sondern wirklich verbessert — mit weniger Artifacts, mehr Details und saubereren Kanten, als jeder traditionelle Filter erzeugen könnte.
Wichtig: Die KI-Verbesserung erzeugt neue Pixeldaten auf Grundlage statistischer Vorhersagen. Die ergänzten Details sind plausibel, aber nicht im wörtlichen Sinne aus dem Original „wiederhergestellt“. Für forensische oder rechtliche Zwecke ist ein KI-verbessertes Bild dem Original nicht gleichwertig. Für den Alltag — soziale Medien, Druck, Präsentationen — sehen die Ergebnisse oft wie ein schärferes Original aus.
Entfernung von JPEG-Artifacts
JPEG-Komprimierungsartefakte sind die häufigste Ursache für schlechte Bildqualität und zugleich die Art von Bildfehlern, mit denen KI am besten umgehen kann. Wer die einzelnen Artefakttypen kennt, versteht, warum KI sie so wirksam entfernt. Damit beim Speichern von Fotos keine neuen Artefakte entstehen, lesen Sie unseren Leitfaden zu JPEG-Qualitätseinstellungen.
Blockartefakte
JPEG-Kompression teilt das Bild in 8×8-Pixel-Blöcke auf und verarbeitet jeden Block unabhängig. Bei niedrigen Qualitätseinstellungen können benachbarte Blöcke merklich unterschiedliche Helligkeit oder Farbe aufweisen, was ein sichtbares Gittermuster über das Bild erzeugt. Das ist besonders in glatten Bereichen wie Himmel, Haut oder einfarbigen Hintergründen auffällig.
KI-Modelle erkennen dieses 8×8-Gittermuster und glätten die Grenzen zwischen Blöcken, während echte Kanten im Bild erhalten bleiben. Das Ergebnis ist eine saubere, kontinuierliche Oberfläche dort, wo das Blockgitter zuvor sichtbar war.
Ringing-Artefakte
Um kontraststarke Kanten herum — wo ein dunkles Objekt auf einen hellen Hintergrund trifft, oder wo Text auf einer farbigen Fläche liegt — erzeugt JPEG-Kompression "Ringing" oder das "Gibbs-Phänomen". Diese erscheinen als schwache wiederholte Echos der Kante, sichtbar als helle und dunkle Bänder parallel zur ursprünglichen Kante.
KI-Verbesserung ist darauf trainiert, echte Kanten von Ringing-Artifacts zu unterscheiden. Sie erhält die wahre Kante und entfernt gleichzeitig die künstlichen Echos, was zu sauberen, knackigen Übergängen ohne Halos führt.
Farbabstufungen (Banding)
Glatte Verläufe — ein Sonnenuntergangshimmel, ein Studiohintergrund, ein Vignetten-Effekt — benötigen viele subtile Farbstufen, um natürlich auszusehen. JPEG-Kompression bei niedriger Qualität reduziert die Anzahl verfügbarer Farbstufen und erzeugt sichtbare "Bänder" oder "Stufen" dort, wo der Verlauf glatt sein sollte.
KI-Modelle rekonstruieren den ursprünglichen glatten Verlauf, indem sie Zwischenfarben vorhersagen. Das Treppenmuster wird durch einen natürlichen, kontinuierlichen Übergang ersetzt. Das ist eine der visuell dramatischsten Verbesserungen, die KI leisten kann, da Banding sowohl häufig als auch stark auffällig ist.
Von niedriger zu hoher Auflösung
Das Hochskalieren — also das Erhöhen der Pixelabmessungen eines Bildes — ist eine der wirkungsvollsten Anwendungen der KI-Verbesserung. Klassisches Hochskalieren (bikubische oder bilineare Interpolation) mittelt einfach benachbarte Pixel, um neue zu erzeugen, und liefert ein weiches, unscharfes Ergebnis. KI-Hochskalierung erzeugt neue Details, durch die das Bild tatsächlich höher aufgelöst wirkt.
2x Upscaling
Das Verdoppeln der Bildabmessungen (z. B. 640×480 auf 1280×960) bedeutet, vier Pixel für jedes Originalpixel zu erstellen. Das KI-Modell sagt voraus, welche Details in den Lücken existieren sollten, basierend auf dem umgebenden Inhalt. Für die meisten Bilder liefert 2x-Upscaling Ergebnisse, die fast nicht von einer nativ höher aufgelösten Aufnahme zu unterscheiden sind.
Ideal für: Kleine Bilder für die Vollbildanzeige geeignet machen, zugeschnittene Fotos verbessern, Bilder für Social Media in höherer Auflösung vorbereiten, alte Familienfotos schärfen.
4x Upscaling
Das Vervierfachen der Abmessungen (z. B. 640×480 auf 2560×1920) bedeutet, sechzehn Pixel für jedes Originalpixel zu erstellen. Dies erfordert, dass die KI deutlich mehr Informationen generiert, und die Ergebnisse hängen stark vom Ausgangsinhalt ab. Fotos mit klaren, erkennbaren Motiven (Gesichter, Gebäude, Text) skalieren besser als abstrakte oder hochdetaillierte Szenen.
Ideal für: Sehr kleine Ausgangsbilder (Thumbnails, Avatare, Icons), Vorbereitung von Bildern für große Drucke, Wiederherstellung alter Fotos mit niedriger Auflösung für die Anzeige auf modernen High-DPI-Bildschirmen.
Wann 4x zu vermeiden ist: Wenn das Ausgangsbild bereits 1000+ Pixel breit ist, erzeugt 4x-Upscaling eine unnötig große Datei (8+ Megapixel aus einer 1000px-Quelle). Die meisten Bildschirme können die zusätzlichen Details nicht anzeigen, und die Dateigröße steigt dramatisch. Verwenden Sie 2x für Bilder, die bereits mittlere Auflösung haben, und reservieren Sie 4x für wirklich kleine Bilder.
Qualitätseinstellungen erklärt
CleverUtils bietet zwei Qualitätsmodi für die KI-Verbesserung: Schnell und Qualität. Die Wahl des richtigen Modus hängt von Ihrem Anwendungsfall ab und davon, wie viel Verarbeitungszeit Sie tolerieren können.
Schnell-Modus
Der Schnellmodus verwendet ein leichteres KI-Modell (realesr-animevideov3), das das Bild zügig verarbeitet. Er wendet eine mäßige Verbesserung an — entfernt die auffälligsten Artefakte, schärft Kanten und führt eine einfache Rauschunterdrückung durch.
- Skalierung: 2x oder 4x
- Am besten für: Social-Media-Uploads, schnelle Vorschauen, Screenshots, Illustrationen und Anime-Grafiken
- Nachteile: Weniger Rekonstruktion feiner Details, etwas weniger wirksam bei starken Bildfehlern, kann in komplexen Texturen leichte Artefakte hinterlassen
Qualitäts-Modus
Der Qualitäts-Modus verwendet ein leistungsstärkeres KI-Modell, das das Bild auf mehreren Skalen analysiert und eine tiefere Rekonstruktion anwendet. Er dauert länger, liefert aber merklich bessere Ergebnisse, besonders bei stark verschlechterten Bildern.
- Skalierung: immer 4x (Real-ESRGAN x4plus)
- Am besten für: Fotos, die Sie drucken möchten, professionelle Arbeiten, wichtige persönliche Fotos, Bilder mit starken Komprimierungsschäden sowie alte oder niedrig aufgelöste Fotos, die Sie bewahren möchten
- Nachteile: Langsamere Verarbeitung, größere Ausgabedateien durch mehr Details
| Kriterium | Schnell-Modus | Qualitäts-Modus |
|---|---|---|
| Geschwindigkeit | Schneller | Langsamer (größeres Netz) |
| Artefaktentfernung | Gut — entfernt deutliche JPEG-Blockbildung und Ringing | Ausgezeichnet — entfernt auch feine Artefakte wie Farbabstufungen und feinkörniges Rauschen |
| Detailrekonstruktion | Mäßig — schärft vorhandene Kanten | Hoch — erzeugt neue Texturen und feine Details |
| Rauschunterdrückung | Einfach — verringert starke Rauschmuster | Fortgeschritten — trennt Rauschen von echter Textur |
| Bester Anwendungsfall | Soziale Medien, Messenger, schnelle Korrekturen | Druck, Archivierung, professionelle Arbeit, wichtige Fotos |
Empfehlung: Beginnen Sie mit dem Schnell-Modus. Wenn das Ergebnis für Ihren Zweck gut genug ist, sind Sie fertig. Wenn Sie verbleibende Artifacts bemerken oder schärfere Details wünschen, verarbeiten Sie mit dem Qualitäts-Modus erneut. Es gibt keinen Nachteil, beide zu versuchen — jede Verbesserung beginnt mit dem ursprünglichen Upload.
Weitere Wege, die Bildqualität zu verbessern
- Photoshop: Bild → Bildgröße mit der Neuberechnung Details erhalten 2.0 vergrößert mit weniger Unschärfe. Für RAW- und JPEG-Fotos verdoppelt Verbessern → Superauflösung in Camera Raw Breite und Höhe.
- Google Fotos: Der Vorschlag Optimieren im Editor verbessert Helligkeit, Kontrast und Farbe mit einem Fingertipp. Die Auflösung erhöht er nicht.
- Upscayl: eine kostenlose Open-Source-Desktop-App für Windows, macOS und Linux, die Modelle der Real-ESRGAN-Familie auf Ihrem eigenen Computer ausführt.
- Bessere Quelle: Den größten Qualitätsgewinn bringt oft die Originaldatei. Bitten Sie um das Kamera-Original statt einer Kopie, die über einen Messenger verschickt wurde, denn Messenger komprimieren Fotos neu.