# Referenzbilder richtig einsetzen: Stil, Motiv oder Struktur

> Ein Referenzbild überträgt entweder Anmutung, Bildinhalt oder Komposition. Wer die drei Rollen vermischt, bekommt Kopien statt Varianten. Wie du die passende Referenz wählst, sie gewichtest und wie viele sinnvoll sind.

- Autor: Benedikt Backhaus (https://benediktbackhaus.com/ueber-mich/)
- Veröffentlicht: 2026-08-19
- URL: https://benediktbackhaus.com/blog/referenzbilder-richtig-einsetzen/
- Themen: Praxis, Tools, Kreativität

Du hängst ein Foto an, weil dessen Anmutung genau passt: weiches Seitenlicht, gedeckte Farben, ein ruhiger Hintergrund. Dazu schreibst du einen Prompt für ein völlig anderes Motiv. Zurück kommt eine leicht abgewandelte Version deines Fotos, und vom Prompt ist wenig übrig geblieben.

Der Grund steckt im Bild selbst. Ein Foto transportiert mehrere Dinge gleichzeitig: die Lichtstimmung und Farbigkeit, den abgebildeten Gegenstand, und die Anordnung im Rahmen. Sagst du nicht dazu, welchen dieser Anteile du meinst, nimmt das System so viel davon, wie seine Voreinstellung hergibt. Meistens zu viel.

## Drei Rollen, die ein Referenzbild spielen kann

**Stil-Referenz.** Sie überträgt Licht, Farbigkeit, Textur, Kontrastverhalten, die generelle Anmutung. Der Bildinhalt bleibt außen vor. Genau diese Trennung ist ein eigenes technisches Thema: Die Diffusers-Dokumentation beschreibt mit InstantStyle ein Verfahren, das „style (color, texture, overall feel)" und „content" auseinanderhält und den Stilanteil nur in bestimmten Modellschichten wirken lässt, damit er den Rest des Bildes nicht verzerrt. Von allein trennt ein Bild diese Anteile nicht.

**Motiv-Referenz.** Sie überträgt das Was. Dieses Produkt, diese Verpackung, diese Figur, jetzt in einer anderen Umgebung oder Perspektive. Der IP-Adapter aus dem Tencent AI Lab ist der bekannteste Vertreter dieser Idee: ein kleiner Zusatzbaustein von 22 Millionen Parametern, der ein Bild als Prompt behandelt, gleichberechtigt neben dem Text. Bei Black Forest Labs heißt die verwandte Funktion Redux und wird als Adapter beschrieben, „which can be used to generate image variations". Variationen, nicht Neuerfindungen.

**Struktur-Referenz.** Sie überträgt den Aufbau. Wo steht was, wie groß, in welchem Winkel, wo bleibt Fläche frei. ControlNet arbeitet dafür nicht mit dem Bild selbst, sondern mit einer Ableitung daraus: Kantenbild, Tiefenkarte, Körperhaltung, Segmentierung, Kritzelskizze. Neun solcher Varianten listet das Projekt. Und sie sind kombinierbar, mehrere Bedingungen können gleichzeitig auf dasselbe Modell wirken.

Diese Dreiteilung ist keine Erfindung von Prompt-Ratgebern. Sie taucht in den Werkzeugen selbst auf, weil sich die Anteile technisch unterschiedlich einspeisen lassen.

## Welche Referenz zu welcher Aufgabe passt

| Deine Aufgabe | Passende Referenz |
|---|---|
| Zehn neue Motive, alle in derselben Bildsprache | Stil |
| Dasselbe Produkt in fünf Situationen zeigen | Motiv |
| Eine bestehende Anzeige neu bebildern, Layout bleibt | Struktur |
| Eine wiederkehrende Figur in neuer Szene | Motiv, ergänzt um Struktur für die Pose |
| Freifläche links für die Headline | Struktur |

Die Zeile mit der Freifläche ist die, die im Alltag am meisten spart. Textfreiraum lässt sich sprachlich schwer beschreiben, weil „lass links Platz" für ein Bildmodell keine räumliche Anweisung ist, sondern nur weitere Wörter. Eine grobe Skizze mit einem leeren Kasten links funktioniert dafür besser als jede Formulierung.

## Warum das Vermischen Kopien produziert

Viele Oberflächen bieten nur „Bild anhängen" an, ohne Rollenauswahl. Dann entscheidet das System, und du bekommst einen Mittelwert aus allen drei Anteilen. Der sieht dem Original ähnlich, weil Ähnlichkeit der einfachste Weg ist, alle drei gleichzeitig zu erfüllen.

Zwei Auswege. Wenn dein Werkzeug Referenztypen kennt, nutze sie ausdrücklich statt des allgemeinen Anhangs. Wenn nicht, schreib die Rolle in den Prompt: „Übernimm ausschließlich Lichtführung und Farbigkeit des Referenzbilds. Motiv und Bildaufbau kommen aus der folgenden Beschreibung." Eine Garantie ist das nicht. In der Praxis verschiebt es das Ergebnis trotzdem.

Ein Handgriff, der die Diagnose erleichtert: Wähl als Stil-Referenz ein Bild, dessen Motiv weit von deinem Zielmotiv entfernt liegt. Willst du Produktfotos in einer bestimmten Anmutung, nimm als Referenz eine Landschaft in dieser Anmutung. Kommt trotzdem eine Landschaft zurück, weißt du sofort, dass der Motivanteil mitgezogen wurde. Bei zwei ähnlichen Motiven kannst du das nie sauber auseinanderhalten.

## Referenz oder Beschreibung: was wann billiger ist

Nicht jede Vorgabe braucht ein Bild. Die Entscheidung fällt an einer simplen Frage: Kannst du die Eigenschaft benennen?

Alles Zählbare und Benennbare gehört in den Prompt. Zwei Personen statt drei, Blick nach rechts, Produkt mittig, Hintergrund unscharf. Dafür ein Referenzbild zu suchen, dauert länger als der Satz und bringt ungefragt zehn weitere Eigenschaften mit.

Ein Referenzbild lohnt sich dort, wo dir die Worte fehlen. Die typische Situation im Marketing: Du hast eine Bildsprache, die im Team allen klar ist, sobald sie ein Beispiel sehen, und die sich trotzdem niemand aufschreiben kann. „Warm, aber nicht gemütlich. Klar, aber nicht kalt." Solche Beschreibungen sind für ein Bildmodell fast wertlos, weil jeder Begriff in tausend Richtungen zeigt. Ein einziges Foto klärt das in einem Schritt.

Die Arbeitsteilung daraus: Die Referenz liefert die Anmutung, der Prompt liefert die Fakten. Sobald du versuchst, Fakten über die Referenz zu transportieren, wird es unzuverlässig, und sobald du versuchst, Anmutung in Worte zu fassen, wird es beliebig.

## Der Regler, den die meisten nie anfassen

Referenzstärke ist einstellbar, und diese Einstellung entscheidet mehr als die Wahl des Bildes. Die IP-Adapter-Dokumentation ist an dieser Stelle ungewöhnlich konkret (Stand Juli 2026): Ein Wert von 1,0 bedeutet, dass das Modell allein auf das Bild konditioniert wird, während 0,5 laut Diffusers-Doku „typically produces balanced results between the text and image prompt". Wer niedriger geht, bekommt vielfältigere Ergebnisse, die dafür weniger nah an der Referenz liegen.

Fang deshalb niedrig an und dreh hoch, statt umgekehrt. Merkst du, dass dein Textprompt keine Rolle mehr spielt, ist die Referenz zu stark gewichtet.

Bei mehreren Referenzen wird jede einzeln gewichtet. Die Diffusers-Doku zeigt das mit zwei Adaptern und den Werten 0,7 und 0,3: einer führt, einer ergänzt. Du musst dich also entscheiden, welche Referenz gewinnt, wenn beide dasselbe Bildelement betreffen. Tust du es nicht, entscheidet der Zufall.

## Wie viele Referenzen sinnvoll sind

Eine pro Rolle. Stil plus Struktur ergänzen sich, weil sie unterschiedliche Fragen beantworten. Zwei Stil-Referenzen dagegen mitteln sich zu etwas Drittem, das keiner von beiden entspricht, und du kannst hinterher nicht sagen, welche welchen Anteil hatte.

Eine Ausnahme gibt es: mehrere Ansichten desselben Gegenstands. Vier Fotos einer Verpackung von vorn, schräg, von oben und im Detail sind keine konkurrierenden Referenzen, sondern eine einzige, besser belegte Motiv-Referenz. Das ist der Fall, in dem mehr Bilder tatsächlich mehr helfen. Wie weit das bei Gesichtern trägt, steht in [wiederkehrende Charaktere konsistent halten](/blog/wiederkehrende-charaktere-konsistent/).

Ab drei Referenzen wird es unübersichtlich. Nicht weil eine Grenze im Modell läge, sondern weil du den Effekt einzelner Bilder nicht mehr zuordnen kannst. Das ist eine Faustregel aus der Arbeitspraxis, keine Eigenschaft der Technik.

## Was eine Referenz nicht leistet

Sie liefert keine exakten Markenfarben. Ein Referenzbild bringt eine Farbstimmung mit, keinen Hex-Wert, und was zurückkommt, liegt daneben. Verbindliche Farben gehören in die Vorgabe und in die Nachkontrolle, nicht in ein Referenzbild. Der Weg dahin steht in [CI-Vorgaben für KI-Bilder](/blog/ci-vorgaben-fuer-ki-bilder/).

Sie ersetzt den Prompt nicht. Selbst bei starker Gewichtung braucht das System eine Beschreibung dessen, was passieren soll; die Referenz sagt nur, wie es aussehen soll. Wie diese Beschreibung aufgebaut ist, steht in [Bildprompt aufbauen](/blog/bildprompt-aufbau/).

Und sie macht Ergebnisse nicht wiederholbar. Dieselbe Referenz plus derselbe Prompt liefern morgen ein anderes Bild. Google Research hat mit Style Aligned ein eigenes Verfahren veröffentlicht, nur um Stil über eine Serie von Bildern hinweg konsistent zu halten. Wenn das ein Forschungsthema ist, wird es dein Nachmittag nicht nebenbei lösen. Was in der Praxis hilft: ein festes Briefing mit gleichbleibenden Formulierungen, damit wenigstens deine Eingabe konstant ist.

## Die Rechtsfrage in einem Absatz

Ein Referenzbild, das dir nicht gehört und für das du keine Lizenz hast, ist heikel. Du gibst fremdes Material in ein System und erzeugst daraus etwas, das dem Original absichtlich ähnelt; genau darauf zielt die Methode ja ab. Unkritisch sind eigene Fotos, eigene ältere Kampagnenbilder und lizenzierte Assets, sofern die Lizenz diese Nutzung deckt. Das Pinterest-Board fällt nicht darunter. Was dir an einem generierten Bild überhaupt gehört und worauf du bei Vorlagen achten musst, steht in [Bildrechte bei KI-Bildern](/blog/bildrechte-ki-bilder/).

## Ein Test, der zwanzig Minuten dauert

Nimm ein Bild aus deinem eigenen Bestand, das dir gefällt, und ein Zielmotiv, das damit nichts zu tun hat. Dann drei Läufe: einmal mit der Anweisung, nur Licht und Farbigkeit zu übernehmen. Einmal nur den Bildaufbau. Einmal ohne Einschränkung.

Leg die drei Ergebnisse nebeneinander. Du siehst dann an deinem eigenen Material, was dein Werkzeug unter „Referenz" versteht, und du weißt, welchen der drei Hebel du künftig ziehst. Wie sich das Ganze in eine Bildproduktion einfügt, die zur Marke passt, steht im [Leitfaden zur KI-Bildgenerierung für die eigene Marke](/blog/ki-bildgenerierung-marke-guide/).