Architektur Visualisierung mit KI-Bildgeneratoren?

Seit 2003 erstelle ich Architektur Visualisierungen und habe in dieser Zeit viel Zeit investiert, um verschiedene Programme und Techniken zu erlernen und meine Fähigkeiten in diesem Bereich kontinuierlich zu verbessern. Ein erfolgreiches Ergebnis erfordert viel Fachwissen, Fertigkeiten und ein gewisses Fingerspitzengefühl bei der Erstellung von 3D-Modellen, Assets, Materialien, Beleuchtung, Szeneaufbau und Nachbearbeitung.

Als ich zum ersten Mal sah, wie KI-Bildgeneratoren für Architektur-Visualisierungen eingesetzt werden können, war ich fasziniert und zugleich besorgt. Auf den ersten Blick schienen ansprechende Bilder innerhalb von Sekunden zu entstehen, ein Prozess, der manuell viele Stunden in Anspruch nehmen würde. Doch welche Konsequenzen hat dies? War all das Wissen, das ich in all den Jahren erworben habe, umsonst? Fällt nun ein wesentlicher Teil meines Einkommens weg? Braucht es keine 3D-Artists mehr?

Letztendlich habe ich beschlossen, es auszuprobieren. Kann KI-Visualisierung bereits in der Architektur-Visualisierung eingesetzt werden? Mein erster Test wurde mit Leonardo.AI durchgeführt, den ich noch mit Stable Difusion und Midjouny wiederholen werde. Trotz der Möglichkeiten der KI-Technologie bleibe ich jedoch davon überzeugt, dass handgefertigte Architekturvisualisierungen weiterhin von großer Bedeutung sein werden.

Die Grundlagen dafür sind recht einfach. Zunächst benötigt man ein 3D-Modell, das in einem CAD- oder 3D-Modelling-Programm wie SketchUp oder Rhino erstellt wurde. Von diesem Modell benötigt man Bilder, in denen die Perspektive eingestellt ist. Ich habe dabei zwei Modelle getestet, eines mit verdeckten Linien und eines als schattiertes Modell.

Mithilfe der Image-to-Image-Funktion und der Controlnet als Vorlage kann man das Modell dann verwenden. Dabei lässt sich einstellen, wie viel von der Vorlage abgewichen werden darf. Es gibt auch drei Möglichkeiten, die Controlnet-Funktion zu nutzen. Die graphisch besten Ergebnisse liefert „Depth to Image“, während „Edge to Image“ die genauesten Ergebnisse liefert.