LONDON / LONDON (IT BOLTWISE) – KI-generierte Food-Bilder wirken für viele Betrachter unappetitlich: Sie zeigen häufig Löcher, Risse und wuchernde, fadenartige Strukturen. Der Kern liegt nicht nur im „Look“ der Fotografie, sondern in typischen Schwächen von Diffusionsmodellen bei feinen, dünnen Geometrien. Dazu kommt, dass solche Systeme beim Lernen keine echte Vorstellung von der physikalischen Welt und dem Verhalten von Lebensmitteln aufbauen. Am Ende treffen technische Artefakte auf menschliche Wahrnehmungsmechanismen, die Unschärfen zwischen Essbarem und Nicht-Essbarem besonders stark markieren.
Wer in den vergangenen Monaten Social-Media-Feeds mit Werbebildern rund um Gerichte verfolgt hat, kennt die wiederkehrende Irritation: Donuts, Burritos oder Pasta wirken zwar „irgendwie“ wie Food, aber eben auch wie etwas, das nicht gegessen werden sollte. Genau diese Diskrepanz nimmt der aktuelle Bericht zum Anlass, den technischen und psychologischen Ursachen nachzugehen. Das Bildrepertoire reicht von „wormlike noodles“ über Garnierungen, die eher wie Bauwerk-Reliefs aussehen, bis hin zu Konstruktionen, bei denen Löcher und Unebenheiten wie eine Infestation wirken. Auffällig ist dabei nicht nur der Ekel-Eindruck, sondern das Muster: Bestimmte Geometrien, Texturfehler und Grenzbereiche zwischen „fertig modelliert“ und „gerade noch plausibel“ treten besonders häufig auf.
Technisch beginnt das Problem oft bei der Art, wie viele Bildgeneratoren überhaupt Bilder erzeugen. In der Beschreibung wird das Prinzip von Diffusionsmodellen genutzt: Sie starten mit reinem Rauschen, etwa wie statischer Bildschnee, und entfernen Schritt für Schritt Rauschen, bis aus der „Rohrform“ eine gewünschte Darstellung entsteht. Entscheidend ist dabei die zeitliche Reihenfolge im Entstehungsprozess: Zuerst werden grobe Strukturen rekonstruiert, feinere Details kommen später. Laut dem Bericht erklärt das, warum Modelle in manchen Fällen zwar die Grundform eines Objekts grob treffen, dann aber bei der nachgelagerten Texturproduktion danebenliegen. Eine anschauliche Parallele aus der Quelle ist der Fehler bei Körperproportionen: Wenn ein Modell früh eine plausible Silhouette setzt, aber Feinheiten wie Fingeranzahlen systematisch falsch ergänzt, sehen die Ergebnisse „fast richtig“ aus und wirken gerade deshalb verstörend.
Gerade bei dünnen, kontinuierlichen und „terminierenden“ Formen wird es laut der zitierten Fachperspektive besonders schwierig. Wenn ein Diffusionsmodell „thin, continuous, terminating structures“ nicht sauber hinbekommt, dann rutschen typische Artefakte in Bereiche, die zu dem Objekt nicht passen. Der Bericht nennt dazu konkrete Beispiele: Nudeln, Stränge und Tentakel sind geometrisch genau die Art von Kurven, Verläufen und Ausläufer, bei denen ein Modell leicht „spaghettiartige“ Störungen produziert. Die Mechanik dahinter lässt sich so verstehen: Wenn die Stop-/Abbruchlogik oder die korrekte Verankerung an einer Objektgrenze fehlt, wird aus „enden“ ein „weiterlaufen“ – und Texturen verteilen sich wie zu großzügig überzeichnete Dekorflächen. Das trifft auch auf wiederkehrende Muster zu, die in vielen Lebensmitteln vorkommen – Bläschen, Kerne, Samen – weil die Modelle solche Strukturen nicht immer in sinnvolle Grenzen pressen können. Für Betrachter bedeutet das: Unruhige Wiederholungen, gebündelte Löcher und ein „zu gleichmäßiges“ oder „zu organisches“ Muster können trypophobische Reaktionen triggern, also diese Empfindlichkeit gegenüber Clustern kleiner Öffnungen.
Doch selbst ein technischer „Fehler“ wird für Menschen erst dann zu Ekel, wenn die Inhalte semantisch nicht zusammenpassen. Der Bericht betont deshalb eine zweite Schwäche: KI-Bildmodelle besitzen kein echtes Verständnis dafür, was ein Sandwich, eine Nudel oder ein Burrito ist. Sie lernen vor allem statistische Zusammenhänge darüber, wie diese Dinge typischerweise aussehen, aber nicht, warum sie so aussehen oder wie sie sich in der Welt verhalten. Genau diese fehlende Weltmodellierung erklärt, warum Texturen „aus dem Werkzeugkasten“ anderer Domänen wirken können: Wenn eine visuelle Konvention aus Architektur- oder Materialfotografie (Risse, Porosität, Bruchoptik) auf „essbare“ Bildkontexte übertragen wird, entsteht eine ästhetische Kollision. Laut der Quelle kann der Stil fotografischer Inszenierung besonders stark nachwirken: Scharfe Kontraste, intensive Farben, glänzende Beleuchtung und überzeichnete Formen sorgen dafür, dass die KI die Oberfläche perfekt imitiert, aber die professionelle Bildsprache dahinter nicht konsequent in eine glaubwürdige Essenslogik überführt. Damit landet man im „Uncanny Valley“ – und zwar nicht als abstraktes Unbehagen, sondern als sehr körpernahes Alarmgefühl.
Auch die Trainingsdaten und die „Kette“ zwischen Modellen spielen in der Argumentation eine Rolle. Der Bericht verweist darauf, dass man über die genauen Trainingsprozesse häufig nur wenig weiß und daher nicht sauber sagen kann, welche Bildmischungen ein System gesehen hat. Hinzu kommt: Online sind manche Motive häufiger als andere, und „langweilig“ erscheinende Darstellungen – etwa ein gewöhnlicher roter Apfel – bekommen oft weniger Aufmerksamkeit als ungewöhnliche Varianten, die als Memes zirkulieren. Wer solche Verzerrungen in den Daten hat, kann am Ende seltsame Assoziationen lernen: Food wird dann nicht nur als Lebensmittelkontext modelliert, sondern als Container für die auffälligsten, manchmal skurrilen Bildsignale. Der Bericht nennt außerdem, dass KI-Systeme zunehmend auch auf KI-generiertem Material trainiert werden können. In der Forschung wird das als potenzieller „model collapse“ diskutiert: Aus Outputs werden Inputs, Varianten ähneln sich, die Bilddiversität sinkt, und visuelle Degeneration kann zunehmen. Praktisch bedeutet das: Selbst wenn ein Modell grundsätzlich „Food-Look“ kann, wird es mit der Zeit eher ähnliche Fehlerbilder reproduzieren.
Schließlich verschärfen auch Prompting und Nutzungsbedingungen die Effekte. Prompts, sowohl systemseitige Anweisungen als auch Nutzertexte, sind nicht immer so formuliert, dass sie die Bildgenerierung sauber steuern. Der Bericht beschreibt Beispiele wie vage Wortwahl („sandwich“) oder Formulierungen wie „be precise“, die für Text funktionieren, aber für Bilder keine verlässliche technische Leitplanke darstellen. Dazu kommt die Frage der Auflösung: Wenn niedriger aufgelöste Bilder „aufgeblasen“ werden, können Unebenheiten und Artefakte überproportional sichtbar werden – und das Modell füllt dann Bildbereiche aus, die eigentlich schon klar genug hätten sein sollen. Das Resultat sind Bilder, die für den Betrachter gleichzeitig mehrere Warnsignale bündeln: fadenartige Strukturen erinnern an Würmer oder Parasiten, Cluster von Löchern wirken wie Befall, und off-farbige Texturen sprechen für Kontamination oder Verderb. Der Bericht ordnet das auch evolutionsbiologisch ein: Disgust gilt als Schutzmechanismus gegen potenziell gefährliche Substanzen. Für Food bedeutet das, dass das Gehirn eine „falsche“ Mischung aus Vertrautheit (sieht aus wie Essen) und Fremdheit (fühlt sich nicht essbar an) besonders hart bestraft. Genau deshalb reicht ein visueller „Fast-Treffer“ oft nicht – die Unschärfe zwischen plausibel und gefährlich wird in diesem Kontext zur automatischen Fehlalarmstrecke.
Für Unternehmen, die KI-Bildgeneratoren für Marketing einsetzen, ergibt sich daraus eine klare Implikation: Es reicht nicht, nur den gewünschten „Look“ zu treffen. Wenn Diffusionsprozesse und Datenasymmetrien regelmäßig ähnliche Geometrie-Fehler produzieren, dann treffen solche Artefakte in der Food-Domäne besonders schnell auf Abwehrreflexe. Gleichzeitig zeigt der Bericht auch, warum die Lösung nicht allein im „besseren Prompt“ liegt: Prompting beeinflusst zwar die Richtung im Generierungsraum, aber die fundamentalen Eigenschaften des Modells – wie es feine, kontinuierliche Strukturen abbildet, wann es „stoppt“ und wie es Texturen in Grenzen hält – bleiben maßgeblich. Praktisch werden Teams daher stärker auf Bildqualitätssicherung, manuelle Prüfung und gegebenenfalls technischere Workflows setzen müssen, etwa mit gezielter Nachbearbeitung oder Kuratierung von Trainings- und Validierungsdaten. Für die nächsten Monate bleibt damit ein Thema zentral: KI-Visuals werden nicht automatisch unproblematisch, nur weil sie fotorealistisch wirken. In der Food-Kommunikation entscheidet die Passung von Geometrie, Textur und Kontext darüber, ob ein Bild als Appetitmacher durchgeht oder als visuelles „Slop“ hängen bleibt.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Warum KI-Food oft nach Wurm, Loch und Beton aussieht" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Warum KI-Food oft nach Wurm, Loch und Beton aussieht" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Warum KI-Food oft nach Wurm, Loch und Beton aussieht« bei Google Deutschland suchen, bei Bing oder Google News!