Die Vorteile, durch KI fülliger zu werden

Ein neues KI-System kann realistisch die Körper von Menschen in Fotos umformen, sie fülliger, dünner oder muskulöser machen, ohne das Gesicht, die Kleidung oder den Hintergrund zu ändern. Das System wird auf einem vollsynthetischen Datensatz trainiert, der jede Identität in mehreren Körpertypen zeigt.

Neben der zunehmend häufigen Verwendung von KI als Methode zur Verfeinerung der Körperform in sozialen Netzwerken oder (potenziell) zur Änderung von Körpertypen für VFX-Zwecke kann die Verwendung von Machine Learning zur Änderung des Aussehens von Personen eine wichtigere Funktion haben: Menschen mit Essstörungen helfen, ihre eigene dysmorphische Interpretation ihres Aussehens zu verstehen, sowie ein potenzielles Motivationsmittel für allgemeine Sport- und Fitnesszwecke bieten:

Aus dem Paper ‘Body size estimation in women with anorexia nervosa and healthy controls using 3D avatars’, eine Benutzeroberfläche zur Visualisierung von Körperformänderungen. Menschen mit Körperformstörungen können Schwierigkeiten haben, eine realistische Interpretation ihres Körpers mit einem ähnlichen Bild in Verbindung zu bringen, wodurch Kliniker ein Maß für dysmorphische Reaktionen erhalten, unter anderem. Quelle: https://www.nature.com/articles/s41598-017-15339-z.pdf

Darüber hinaus hat die weitverbreitete Mode-Probierfunktion in der Computer-Vision-Forschung auch ein Interesse an der Bereitstellung genauer Visualisierungen über eine Reihe von Körpertypen hinweg. Währenddessen haben Frameworks wie die 2024er DiffBody-Funktion der Universität von Tsukuba in Japan einige beeindruckende Funktionalitäten in diesem Bereich geschaffen:

Einige der möglichen Umformungen mit der vorherigen DiffBody-Technik. Quelle: https://arxiv.org/pdf/2401.02804

Da KI-Grundmodelle auf konventionell attraktive oder sonstige häufige Körpertypen optimiert sind, sind ungewöhnliche Größen wie “übergewichtig” entweder in Standardmodellen kaum verfügbar oder kommen mit einigen bestrafenden Vorurteilen.

Notwendige Paare

Eine der größten Herausforderungen bei der Erstellung von KI-Systemen, die realistisch Fett oder Muskeln zu Bildern von Personen hinzufügen oder entfernen können, ohne ihre Identität, Umgebung oder Kleidung zu ändern, besteht darin, dass dies gepaarte Trainingsdaten erfordert, bei denen das KI-System effektiv “vorher”- und “nachher”-Bilder lernt, die die gewünschte Umformung definieren, die das Modell ausführen soll.

Diese Art von Training ist im Sommer wieder in den Vordergrund getreten, dank des Erfolgs von Black Forest Labs’ Kontext-Reihe von Bildbearbeitungsmodellen, bei denen diese Art von gepaarten Daten verwendet wurde, um dem Modell eine Reihe von Umformungen beizubringen:

Vom Flux-Kontext-Site, ein Beispiel für eine Umformung, die die Art von Quelldaten widerspiegelt, die zum Trainieren eines Modells erforderlich sind, das die Bildintegrität bei der Durchführung größerer Änderungen beibehält. Quelle: https://bfl.ai/models/flux-kontext

Offensichtlich benötigt man bei der Entwicklung eines Modells, das das Aussehen einer Person erheblich ändern kann (ohne das gesamte Bild neu zu erstellen), etwas, das in der realen Welt völlig unmöglich ist: radikale “vorher”- und “nachher”-Bilder, die nur Sekunden auseinander liegen.

Die einzige Möglichkeit ist synthetische Daten. Einige Projekte dieser Art haben individuelle, manuell erstellte kontrastive Paare verwendet, die in Photoshop erstellt wurden; jedoch ist dies im großen Maßstab unrealistisch, und ein automatisierter oder halbautomatisierter, KI-gesteuerter Prozess zur Generierung der Paare wird zunehmend als bevorzugt angesehen.

Das Problem mit GAN-basierten und den meisten SMPL/X-basierten Ansätzen (bei denen eine virtuelle CGI-Figur als eine Art Austauschmechanismus zwischen echten Bildern und den gewünschten Umformungen verwendet wird) und mit Ansätzen, die Bildverformung verwenden, besteht darin, dass der Hintergrund und die Identität im Prozess leiden.

Parametrische, vektorbasierte CGI-Modelle wie SMPL und SMPL-X (unter anderem) bieten definierte konventionelle physikalische 3D-Koordinaten, die interpretiert und in Computer-Vision-Frameworks integriert werden können. Quelle: https://files.is.tue.mpg.de/black/papers/SMPL2015.pdf

Da es wichtig ist, dass die KI lernt, nur die gewünschten Aspekte zu ändern, anstatt zu lernen, Hintergründe zu verformen und andere unerwünschte Fehler zu replizieren, hat noch kein Körper-Änderungssystem eine perfekte Lösung gefunden.

Ein kürzlich veröffentlichtes Paper aus Indien schlägt jedoch einen bemerkenswerten Fortschritt auf dem aktuellen Stand der Technik vor, indem es den älteren Flux-Diffusionsmodell-Rahmenwerk mit einer Reihe von sekundären Ansätzen ergänzt, die ein überlegenes und konsistenteres gepaartes Datenset ermöglichen:

Datensatzbeispiele aus dem neuen Projekt. Quelle: https://arxiv.org/pdf/2508.13065

Das Projekt umfasst einen neuen und umfangreichen gepaarten Datensatz; Odo, ein generatives Diffusionsmodell, das auf diesen Daten trainiert wurde; und einen speziell entwickelten neuen Benchmark, der die Leistung der Körperbearbeitung quantitativ bewertet. In Tests behaupten die Autoren einen bemerkenswerten Fortschritt gegenüber den Standards, die von ähnlichen vergleichbaren Modellen erreicht wurden.

Das neue Paper trägt den Titel Odo: Depth-Guided Diffusion for Identity-Preserving Body Reshaping und stammt von drei Forschern von Fast Code AI Pvt. Ltd in Bangalore.

Daten und Methode

Der von den Forschern erstellte Datensatz umfasst 7.615 hochauflösende Bilder (960x1280px) für jeden Zielkörpertyp (fett, dünn und muskulös).

Initial wurden 1.523 menschliche Gesichter durch das FLUX.1-dev-Modell mit 12 Milliarden Parametern generiert, wobei eine nicht spezifizierte Anzahl lizenzfreier Referenzgesichter von Pexels und Unsplash verwendet wurde, um die Vielfalt zu erhöhen.

Um vollständige Körperbilder mit diesen Gesichtern zu erstellen, verwendeten die Forscher ByteDances 2024er PuLID, ein Feinabstimmungs-Checkpoint, der auf Basis-Flux feinabgestimmt wurde und einen kontrastiven ID-Verlust enthält, der dazu dient, die Identität während der Umformungsprozesse zu erhalten:

Beispiele aus dem PuLID-Projekt. Quelle: https://arxiv.org/pdf/2404.16022

Das Modell erhielt ein Gesichtsbild und einen standardisierten Prompt, der Geschlecht, Kleidung, Pose, Szene sowie Körpertyp von dünn, fett oder muskulös anforderte.

Die drei Körpertypen-Bilder für jede Identität zeigten manchmal geringe Verschiebungen in der Hintergrundausrichtung und der wahrgenommenen Größe des Subjekts, die durch das stochastische Verhalten von Diffusionsmodellen verursacht wurden, bei denen jede Generation von einem neuen Rauschen–Seed beginnt. Selbst geringe Änderungen des Prompts, wie die Änderung der Körpertypbeschreibung, können den Trajectory des Modells im latenten Raum beeinflussen und zu visuellem Drift führen.

Um diese Variation zu korrigieren, wurde eine vierstufige automatische Post-Verarbeitungspipeline angewendet, wobei das schlanke Bild in jedem Tripel als Referenz ausgewählt wurde, da seine kleinere Silhouette mehr Hintergrund freilegte.

Personenerkennung wurde mit RT-DETRv2 durchgeführt, gefolgt von Segmentierung mit SAM 2.1, um Subjektmasken für alle drei Körpertypen zu extrahieren. Das schlanke Referenzbild wurde dann an FLUX.1 Kontext Pro (das neue Bildbearbeitungssystem) für Hintergrundausfüllen übergeben, um eine saubere Version der Szene zu erstellen, mit dem Subjekt entfernt.

Die fetten und muskulösen Varianten wurden unter Verwendung einheitlicher Skalierung auf die Höhe der dünnen Referenzmaske skaliert und auf den sauberen Hintergrund bei gleicher unterer Ausrichtung komponiert, um eine konsistente Rahmung über alle Bilder hinweg zu gewährleisten.

Die Autoren erklären:

‘Die resultierenden Transformations-Tripletts (dünn, fett und muskulös) haben einen identischen Hintergrund und eine einheitliche Subjektskala. Dies entfernt irrelevante Variationen, die das nachfolgende Training oder die Bewertung negativ beeinflussen könnten.’

Jedes Tripel von dünnen, fetten und muskulösen Bildern ermöglichte sechs mögliche Transformationspaare, was zu 45.690 theoretischen Kombinationen über 7.615 Identitäten führte.

Nach dem Filtern von Beispielen mit nicht übereinstimmender Kleidung, unnatürlichen Posen, verformten Gliedern, Identitätsdrift oder geringen Formänderungen wurden 18.573 hochwertige Paare beibehalten. Obwohl einige geringe Posenunterschiede verblieben, erwies sich das Modell als robust gegenüber diesen Variationen.

Training und Tests

Die resultierenden Bilder wurden verwendet, um das Odo-Modell zu trainieren – einen diffusionsbasierten Ansatz zur Umformung von Menschen, unter Verwendung von Skinned Multi-Person Linear Model (SMPL, d. h. Zwischen-CGI) -Karten.

Unter Berücksichtigung der 2024er Neural Localizer’s-Methoden wurde das Datenmaterial auf pro Individuum basierend an das SMPL-Modell angepasst, wobei die resultierenden optimierten Parameter in der Lage waren, Tiefenbilder zu erzeugen, aus denen die geänderten Bilder abgeleitet würden:

Schema für die Trainingspipeline. Die linke Seite zeigt die Trainingskonfiguration, bei der SMPL-Tiefenbilder vom Zielbild ReshapeNet über ControlNet leiten, um die Körperumformung durchzuführen. Merkmale vom Quellbild werden von ReferenceNet extrahiert und in ReshapeNet über räumliche Selbstaufmerksamkeit integriert. Die rechte Seite zeigt die Inferenz, bei der SMPL-Parameter aus dem Eingabebild geschätzt, durch semantische Attribute modifiziert und in ein Ziel-Tiefenbild gerendert werden, das ReshapeNet während des Denoisings konditioniert, um das endgültig transformierte Bild zu erzeugen.

Das Modell (siehe Schema oben) besteht aus dem ReshapeNet-Modul, unterstützt von drei Hilfsmodulen: ReferenceNet; einem IP-Adapter-Modul; und einem Tiefen-basierten ControlNet-Modul.

ReferenceNet extrahiert detaillierte Merkmale wie Hintergrund, Kleidung und Identität aus dem Eingabebild und übergibt sie an ReshapeNet. IP-Adapter trägt hochrangige Merkmalsleitungen bei, während der Tiefen-ControlNet SMPL-basierte Konditionierung anwendet, um die Körperumformung zu leiten. In Übereinstimmung mit früheren Arbeiten wurde ein SDXL-basierter eingefrorener UNet verwendet, um Zwischenmerkmale zu extrahieren.

Was das IP-Adapter-Modul betrifft, kodiert es das Eingabebild über CLIP, wobei die resultierenden Einbettungen in ReshapeNet über Kreuzaufmerksamkeit integriert werden.

Was das Tiefen-ControlNet-Modul betrifft, leitet es die mittleren und Dekodier-Schichten von ReshapeNet unter Verwendung von residualen Verbindungen. Anschließend nimmt es eine Tiefenkarte, die aus den Ziel-SMPL-Parametern gerendert wird, und ordnet sie mit dem Zielbild aus.

ReshapeNet, basierend auf dem SDXL-UNet, ist das Kernnetz von Odo. Während des Trainings werden Zielbilder in den latenten Raum mit einem variationalen Autoencoder kodiert, über die Zeit verrauscht und dann von ReshapeNet unter Verwendung von Merkmalen von ControlNet und ReferenceNet denoisiert.

Kategoriespezifische Textprompts wie “Mach die Person fülliger”, “Mach die Person dünner” oder “Mach die Person muskulöser” wurden hinzugefügt, um die Umformungen zu leiten. Während die Tiefenbilder grobe Körperformen erfassten, lieferten die Prompts die semantischen Details, die für Änderungen wie Muskeldefinition erforderlich sind, um dem Modell zu ermöglichen, genauere und realistischere Änderungen zu erzeugen.

Trainingsimplementierung

Odo wurde auf dem synthetischen Datensatz des Projekts trainiert, kombiniert mit einem Teil des DeepFashion-MultiModal-Datensatzes, was insgesamt 20.000 Bildpaare ergab.

Der DeepFashion-MultiModal-Datensatz bot Vielfalt in Kleidung und Gesichtszügen, wobei Bilder gegen sich selbst während des Trainings gepaart wurden. Mit allen vorab berechneten SMPL-Tiefenbildern für Effizienz lief das Training über 60 Epochen auf einer einzelnen NVIDIA A100-GPU mit 80 GB VRAM.

Bei den Eingabebildern, die auf 768×1024 vergrößert wurden, wurde der Adam-Optimizer verwendet, bei einer Lernrate von 1×10⁻⁵. ReshapeNet wurde mit SDXL-UNet-Gewichten initialisiert und gemeinsam mit dem IP-Adapter von seinem Checkpoint feinabgestimmt.

ReferenceNet wurde mit SDXL-Gewichten initialisiert und blieb eingefroren, während der Tiefen-ControlNet vorgefertigte Gewichte verwendete und ebenfalls eingefroren blieb.

Das endgültige Modell benötigte etwa 23 GB GPU-Speicher und erforderte 18 Sekunden für die Inferenz eines einzelnen Bildes.

Ein neuer Metrik

Die fehlende Verfügbarkeit von Datensätzen dieser Art für dieses Projekt führte dazu, dass keine bestehenden Metriken diese Herausforderung wirklich ansprachen. Daher entwickelten die Autoren einen neuen Benchmark, der aus 3.600 Bildpaaren besteht, die reale Gesichtsbilder und Hintergrundbeschreibungen sowie diverse Körperform-Variationen enthalten.

Andere verwendete Metriken waren Structural Similarity Index (SSIM); Peak Signal-to-Noise Ratio (PSNR); Learned Perceptual Image Patch Similarity (LPIPS); und Scale Corrected Per-Vertex Euclidean error in neutral (T-)pose (PVE-T-SC).

Zunächst testeten die Autoren ihre Methode qualitativ an Bildern aus der freien Wildbahn (Bilder, die dem Modell während des Trainings nicht bekannt waren):

Qualitative Tests. Die Beispiele zeigen Umformungen vom Originalbild in dünnere, übergewichtige und muskulöse Körpertypen in verschiedenen Posen, einschließlich Sitzen und Stehen. Bitte beachten Sie die Quelle für bessere Definition und Details.

Von diesen Ergebnissen heißt es im Paper:

‘[Unsere] Methode kann effektiv mit verschiedenen Posen, Hintergründen und Kleidung umgehen, während sie die Person identität bewahrt.

‘Zusätzlich zu SMPL-Zielformen liefern wir textuelle Prompts – ‘Mach die Person fülliger’, ‘Mach die Person dünner’ oder ‘Mach die Person muskulöser’–, um die gewünschten Umformungen explizit zu leiten…

…'[Das Bild unten] zeigt weiterhin die Fähigkeit unseres Modells, diverse Formumformungen durchzuführen. Das Modell folgt SMPL-Tiefenbildern genau, um mehrere Variationen von dünneren und fülligeren Versionen aus dem Referenzbild zu erzeugen.’

<img class=" wp-image-222141" src="https://www.unite.ai/wp-content/uploads/2025/08/figure-1-3.jpg" alt="Weitere qualitative Tests, die den Bereich der Zielkörpertypen abdecken. Bitte beachten Sie die Quelle für bessere Definition und Details.

Die Autoren fügen hinzu:

‘Unsere Ergebnisse zeigen realistischere Umformungen gemäß dem Zielgewicht, da unser Modell gleichzeitig die gesamte Körperform, Gliedmaßenproportionen und Kleidung anpasst, was zu anatomisch konsistenten und visuell überzeugenden Änderungen führt.’

Bei quantitativen Tests setzten die Autoren ihr System gegen das Open-Source-Modell Flux Kontext [dev] und das 2022er Angebot Structure-Aware Flow Generation for Human Body Reshaping:

Für FLUX.1 Kontext [dev] wurden Prompts entworfen, um ‘Mach die Person fülliger’, ‘Mach die Person dünner’ oder ‘Mach die Person muskulöser’ anzuweisen, wobei Zielgewichte angegeben wurden – obwohl der Mangel an feinen Kontrollen die Leistung begrenzte:

Vergleich von Odo mit Structure-Aware Flow Generation for Human Body Reshaping und FLUX.1 Kontext [dev] auf dem Testset, zusammen mit Ablationsstudien (nicht in diesem Artikel behandelt) für Modelle, die ohne Prompt-Konditionierung in ReshapeNet, ohne ReferenceNet (nur IP-Adapter) und mit Trainingsdaten beschränkt auf den BR-5K-Datensatz trainiert wurden.

Schlussfolgerung

Die Einführung von Flux Kontext in diesem Jahr und die kürzliche Veröffentlichung der unquantifizierten Gewichte für Qwen Image Edit haben gepaarte Bilddaten wieder in den Vordergrund der Hobbyist- und professionellen Gemeinschaften gerückt. In einer Zeit wachsender Kritik und Ungeduld hinsichtlich der Ungenauigkeit von generativer KI sind Modelle dieser Art für eine viel höhere Treue zum Quellbild konzipiert (obwohl kleinere Modelle manchmal durch ihre spezifischen Trainingsziele eingeschränkt sind).

Die Nützlichkeit eines Körper-Änderungssystems scheint in psychologischen, medizinischen und modebasierten Bereichen zu liegen. Dennoch bleibt es möglich, dass Systeme dieser Art ein höheres Maß an Bekanntheit erlangen und vielleicht eine lockerere und sogar potenziell beunruhigende Reihe von Anwendungen finden.

Erstveröffentlicht am Montag, den 25. August 2025