Wenn KI-Bilder Finger verhunzen, liegt das meist daran, dass Diffusionsmodelle die Handstruktur nie richtig gelernt haben – Prompts können das Problem nur lindern, nicht heilen. Beim Zeichnen von Fingern „zählt“ das Modell nämlich nicht wirklich, sondern rät Anzahl und Position aus der Pixelstatistik; liegt es daneben, gibt es einen Finger zu viel oder zu wenig. Zur Lösung erst klären, welche der drei Ursachen vorliegt, und dann gezielt vorgehen.
Drei Ursachen: Finde deine
1. Strukturelle Grenzen des Modells – die Hauptursache
Diffusionsmodelle haben im Training weit weniger saubere Nahaufnahmen von Händen gesehen als Gesichter oder Körper, und Hände variieren extrem in Pose, Winkel und Verdeckung. Für das Modell sind Finger keine Struktur aus „Skelett plus Fleisch“, sondern nur die Vermutung „dieser Pixelbereich sieht wohl wie Finger aus“ – daher Sechs-Finger-Hände, verwachsene Finger und nudelartige Gebilde. Neuere Modelle sind besser, doch der Grundmechanismus ist unverändert – dieser Teil lässt sich mit keinem Prompt reparieren.
2. Prompt- und Parameterprobleme – dieser Teil liegt bei dir
- Der positive Prompt sagt nicht, was die Hände tun: Person und Szene sind beschrieben, die Handbewegung bleibt der Fantasie des Modells überlassen;
- Keine Negativ-Prompts für Hände: Begriffe wie bad hands, deformed fingers, extra fingers fehlen im Negativ-Prompt;
- Hände sind zu klein im Bild: Belegen Hände nur wenige Dutzend Pixel, hat das Modell schlicht keinen Raum, die Struktur korrekt zu zeichnen – kein Prompt rettet das.
3. Lokale Korrektur reicht – nicht gleich das ganze Bild neu würfeln
Eine verhunzte Hand ist meist ein lokales Problem. Nur die Hand per Inpainting neu zu zeichnen ist weit günstiger, als das ganze Bild neu zu generieren, und erhält die Teile, die bereits gefallen.
Schritt für Schritt vorgehen – in dieser Reihenfolge
Schritt 1: Erst Negativ-Prompt ergänzen, dann neu generieren
Fest in den Negativ-Prompt aufnehmen: bad hands, deformed hands, malformed fingers, extra fingers, missing fingers, fused fingers. Im positiven Prompt die Handaktion klar beschreiben, z. B. hands resting on table, five fingers visible. Erst ein paar Mal neu würfeln – das ist der günstigste Schritt.
Schritt 2: In Midjourney mit Vary (Region) die Hand neu zeichnen
Bild zuerst per Upscale vergrößern, dann Vary (Region) anklicken, den Handbereich mit Rechteck- oder Lasso-Werkzeug auswählen, im Prompt nur beschreiben, wie die Hand aussehen soll, und absenden. Empfohlen wird eine Auswahl von 20 % bis 50 % des Bildes; ist die Hand im Original winzig, erst vergrößern oder zuschneiden, dann steigt die Trefferquote.
Schritt 3: In Stable Diffusion mit ADetailer Hände automatisch reparieren
Mit installierter ADetailer-Erweiterung ein Handerkennungsmodell wählen (z. B. hand_yolo) – es findet Hände automatisch und zeichnet sie per Inpainting neu. Die Denoising-Stärke (denoising strength) nicht voll aufdrehen; um 0,5 zeichnet die Finger neu und bewahrt die Komposition. Für mehr Stabilität zusätzlich ControlNet OpenPose einsetzen, um die Handpose per Skelett zu fixieren.
Schritt 4: Wer oft Menschen zeichnet, wechselt auf ein neueres Modell mit besseren Händen
Alte Modelle (wie SD 1.5) sind bei der Handstruktur von Natur aus schwach; neuere Familien wie SDXL und FLUX haben Hände deutlich besser gelernt. Wer hauptsächlich Porträts erstellt, kommt mit einem Modellwechsel schneller ans Ziel als mit endlosem Prompt-Tuning. Eine Auswahlhilfe bietet dieser Tool-Vergleich.
Wann man aufhören und umdenken sollte
- Die Hand ist nur ein winziges Element in der Ecke: einfach wegschneiden oder verkleinern – niemand wird hinstarren;
- Dieselbe Hand bleibt nach drei, vier Neuanläufen kaputt: Die Komposition ist handfeindlich – Hände in die Taschen, hinter den Rücken, oder auf eine Komposition ohne Hände wechseln spart mehr Zeit als stures Wiederholen;
- Kommerzieller Einsatz mit 100 % korrekten Fingern gefordert: Nicht auf Generierung verlassen – echte Fotos nutzen oder retuschieren lassen. Die heutige KI kann das nicht garantieren.
