LoRA-Training vs. Multi-Angle-Prompting: Charakteridentität über Tausende Bilder hinweg halten

Für Hunderte oder Tausende Bilder eines Charakters hält ein trainiertes Identitätsmodell wie ein LoRA Gesicht und Körper weit zuverlässiger als Prompts und Seeds. Multi-Angle-Prompting hat trotzdem seinen Platz: Damit erzeugst du ein abwechslungsreiches Referenz-Set eines neuen Charakters, bevor du trainierst. Referenz-Adapter und Face-Swap liegen dazwischen, schnell startklar, aber ungenauer.

Was Identitätsdrift in der KI-Bildgenerierung ist

Ein Bildmodell beginnt jedes Bild mit zufälligem Rauschen und lenkt es in Richtung deines Prompts. Eine Beschreibung wie „eine 23-jährige Frau mit grünen Augen und blonden Haaren“ passt auf unzählige Gesichter, also wählt das Modell jedes Mal ein leicht anderes. Über ein Album hinweg wird der Charakter langsam zu jemand anderem. Das ist Identitätsdrift.

Drift betrifft nicht nur das Gesicht. Körperproportionen, Hautton, Tattoos und Muttermale verschieben sich ebenfalls, und Abonnenten, die jeden Tag denselben Creator sehen, merken das.

Warum fixierte Seeds und Multi-Angle-Prompting nicht reichen

Der Seed legt das Ausgangsrauschen fest. Lässt du denselben Prompt mit demselben Seed und denselben Einstellungen laufen, bekommst du dasselbe Bild. Änderst du ein Wort, etwa „Bikini“ zu „Abendkleid“, schlägt das Modell schon ab den allerersten Schritten einen anderen Weg ein. Das Gesicht ändert sich mit dem Outfit.

Beim Multi-Angle-Prompting fragst du dieselbe Person in einem Durchgang aus mehreren Ansichten an: „Frontalansicht, Dreiviertelansicht und Profil derselben Frau“. Das kann ein nützliches Turnaround-Sheet ergeben, aber jeder neue Prompt ist trotzdem ein neuer Wurf der Würfel. Er beschreibt einen Gesichtstyp, nicht ein bestimmtes Gesicht.

Am Anfang hilft Prompting allerdings. Ein abwechslungsreiches Set von Bildern eines neuen Charakters, aus verschiedenen Winkeln und bei unterschiedlichem Licht, ist genau das, was du zum Trainieren brauchst.

Was ein LoRA ist und warum es die Identität hält

LoRA steht für Low-Rank Adaptation. Das ursprüngliche Paper von Forschern bei Microsoft beschreibt eine Methode, die „die vortrainierten Modellgewichte einfriert und trainierbare Rangzerlegungsmatrizen“ in das Modell einfügt (Hu et al.). Es wurde für Sprachmodelle geschrieben, und dieselbe Idee wird heute zum Feintuning von Bildmodellen genutzt.

Die Dokumentation von Hugging Face Diffusers beschreibt LoRA für Bildmodelle als „leichtgewichtige Trainingstechnik“, die funktioniert, „indem eine kleinere Anzahl neuer Gewichte in das Modell eingefügt wird und nur diese trainiert werden“. Das Ergebnis sind, in ihren Worten, „kleinere Modellgewichte (einige hundert MB)“, die du auf das Basismodell lädst.

Bei einem Charakter codiert diese Datei ein einziges Motiv. Der Prompt kann dann Outfit, Pose, Raum und Licht frei ändern, während die trainierten Gewichte Gesicht und Körper immer wieder zur selben Person zurückziehen.

Der Preis dafür ist der Aufwand beim Einrichten. Du brauchst ein gutes Trainings-Set, einen Trainingslauf und einen Testdurchgang, um zu prüfen, ob das Modell die Person gelernt hat, ohne jedes Bild in dieselbe Pose einzufrieren.

Referenz-Adapter: InstantID und PuLID

Referenz-Adapter überspringen das Training. Du gibst dem Modell bei der Generierung ein oder wenige Fotos, und es überträgt die Identität ins neue Bild.

• InstantID beschreibt sich als „Zero-Shot-Generierung mit Identitätserhalt“, die mit „nur einem einzigen Gesichtsbild“ funktioniert. Sein Paper argumentiert, dass Methoden wie DreamBooth und LoRA durch „hohen Speicherbedarf, langwierige Feintuning-Prozesse und den Bedarf an mehreren Referenzbildern“ ausgebremst werden (Wang et al.).
• PuLID von Forschern bei ByteDance zielt auf „hohe ID-Treue“ und hält dabei „Hintergrund, Licht, Komposition und Stil“ so nah wie möglich an dem, was das Modell ohnehin gezeichnet hätte (Guo et al.).

Beide sind schnell startklar und gut, um einen Look zu testen. Sie arbeiten hauptsächlich mit dem Gesicht, Körperdetails wie Proportionen und Tattoos hängen also weiterhin vom Prompt ab.

Face-Swap nach der Generierung

Ein Face-Swap-Tool generiert zuerst das Bild und ersetzt dann das Gesicht durch ein Referenzgesicht. Das geht schnell und ist nützlich, um ein einzelnes Bild zu korrigieren, in dem das Gesicht abgedriftet ist.

Für den Körper bringt es nichts. Stimmen Körper, Hautton oder Merkmale nicht, sitzt ein getauschtes Gesicht auf der falschen Person. Swaps können außerdem Probleme haben, wenn der Kopf stark vom Winkel des Referenzfotos abweicht. Prüfe Profilaufnahmen also genau.

Die Methoden im Vergleich

Methode	Training nötig	Hält das Gesicht	Hält den Körper	Am besten für
Seed und Prompt	Nein	Nur bei identischem Prompt	Nein	Einen Look ausloten
Multi-Angle-Prompting	Nein	Innerhalb eines Sheets	Locker	Ein Referenz-Set aufbauen
Referenz-Adapter (InstantID, PuLID)	Nein	Gut, aus wenigen Fotos	Hängt vom Prompt ab	Tests und kurze Sets
Face-Swap nach der Generierung	Nein	Nur das Gesicht	Nein	Einzelne Bilder reparieren
Charakter-LoRA	Ja	Stark	Ja, wenn mit Körperaufnahmen trainiert	Große Alben und Video-Standbilder

Ein Trainings-Set für ein Charakter-LoRA aufbauen

Die Qualität eines LoRA hängt vor allem von den Fotos ab, mit denen du es trainierst.

Variiere alles außer der Person

Nutze Fotos mit verschiedenen Winkeln, Gesichtsausdrücken, Outfits, Hintergründen und Lichtverhältnissen. Ist jedes Foto ein frontales Selfie im selben Raum, lernt das Modell diesen Raum und diesen Winkel als Teil der Person.

Nimm den Körper auf, nicht nur das Gesicht

Willst du konsistente Proportionen, Hautton, Tattoos oder Narben, müssen sie im Trainings-Set sichtbar sein. Ein Set nur mit Gesichtern liefert dir ein konsistentes Gesicht auf einem abdriftenden Körper.

Beschrifte, was sich ändert, nicht wer die Person ist

Ein gängiger Ansatz ist, ein Trigger-Wort für den Charakter zu verwenden und in den Captions nur zu beschreiben, was variiert: Outfit, Umgebung, Licht, Bildausschnitt. Lass die Merkmale weg, die das Modell als fest behandeln soll, damit sie sich an das Trigger-Wort binden.

Teste, bevor du produzierst

Generiere einen Test-Batch mit neuen Outfits und Umgebungen. Kopiert jedes Bild dieselbe Pose oder denselben Hintergrund, hat das Modell zu viel vom Trainings-Set gelernt. Wandert das Gesicht, hat es zu wenig gelernt.

Woher deine Trainingsfotos stammen, ist wichtig

Die OnlyFans-Nutzungsbedingungen vom Oktober 2026 sagen: „Du darfst Content oder Direct Services außerdem nicht nutzen, um Software, maschinelles Lernen oder ein System künstlicher Intelligenz zu trainieren oder zu verbessern.“ Trainiere mit Originalen, die du auf deinem eigenen Handy oder Computer hast, nicht mit irgendetwas, das von OnlyFans heruntergeladen wurde.

Wessen Identität du trainierst, entscheidet auch, wo du posten darfst:

• Dein eigenes Gesicht und dein eigener Körper passen zu OnlyFans, das KI-Content nur erlaubt, wenn er „eindeutig den verifizierten Creator zeigt“ und einen Hinweis wie #ai oder #AIGenerated trägt (Hilfecenter). Seine Moderationsseite führt „Accounts oder Content, die vollständig KI-generiert sind, oder stark bearbeitete Bilder enthalten“ unter den Gründen für eine Entfernung auf.
• Eine originale Persona gehört auf Fanvue, das vollständig KI-generierten Content mit klarer Offenlegung erlaubt, oder auf MYM, das „Virtual Image“, #AI oder #AIgenerated verlangt.
• Fansly sagt: „Fotorealistischer KI-generierter Content ist auf Fansly nicht erlaubt“ (Fansly-Hilfe), ob gekennzeichnet oder nicht.
• Das Gesicht jeder anderen Person braucht ihre nachweisbare Einwilligung, jedes Mal.

Ein Identitätsmodell in FansCreator trainieren

FansCreator trainiert dein KI-Modell in etwa drei Minuten aus Referenzfotos, die du hochlädst, oder aus einem Creator, den du von Grund auf entwirfst. Dieselbe Identität zieht sich dann durch den NSFW-KI-Bildgenerator und durch Videos, du verwaltest also keine Trainingsdateien, Adapter-Gewichte oder lokale Setups. Zu den Bildmodellen gehören Qwen-Image und Z-Image, das auf der Z-Image-Seite von FansCreator vorgestellt wird, und der KI-Face-Swap ist für einzelne Bilder da, deren Gesicht korrigiert werden muss.

Nutze deine eigenen Fotos oder ein Gesicht, dessen Inhaber nachweisbar eingewilligt hat, wie es die Nutzungsbedingungen von FansCreator verlangen. Du lädst jedes Bild herunter und postest es selbst, mit dem Label, das die jeweilige Plattform verlangt.