Produktfotografie ist teuer. Ein Shooting mit Fotograf, Location und Model kostet schnell einen ganzen Tagesatz. Also haben wir getestet: Kann man ein echtes physisches Produkt mit KI in Lifestyle-Szenen setzen, die gut genug für Social Media und Konzeptpräsentationen sind?
Die kurze Antwort: Ja — mit Einschränkungen, die man kennen muss.
Die lange Antwort folgt hier. Nach über 50 generierten Bildern, 4 Testrunden und einem automatisierten 3-Agenten-Pipeline haben wir ein ziemlich klares Bild davon, was funktioniert und was nicht.
KI-generiertes Produktfoto — Gerät im Vordergrund auf Sideboard, Yoga-Szene im Hintergrund
Vordergrund-Platzierung mit 3 Referenzbildern: Produkt, Proportionen und Szene stimmen
Das Setup
- Modell: Flux 2 Dev (FP8 Mixed Precision) mit Mistral 3 Small Multimodal Text Encoder
- Methode: Reference Latent Conditioning über FluxKontextMultiReferenceLatentMethod
- Hardware: RTX 5090 mit 32 GB VRAM, ComfyUI mit
--lowvram - Ziel: Ein echtes Produkt natürlich in Lifestyle-Szenen platzieren
Die Kern-Technik: Reference Latent Conditioning
Der entscheidende Unterschied zu normalem Text-to-Image: Wir beschreiben das Produkt nicht nur im Prompt — wir füttern echte Produktfotos durch den VAE Encoder und verketten sie als Latent Conditioning. Das Modell "weiß" dadurch, wie das Produkt wirklich aussieht.
LoadImage → FluxKontextImageScale → VAEEncode → ReferenceLatent (chained)
→ FluxKontextMultiReferenceLatentMethod → KSampler
Das klingt technisch, aber der Effekt ist enorm: Statt einer generischen "weißen Röhre" rendert das Modell tatsächlich das richtige Produkt mit den richtigen Proportionen und Details.
Die Zwei-Block Prompt-Struktur
Jeder erfolgreiche Prompt hat zwei klar getrennte Blöcke:
Block 1 — Produktbeschreibung: Exakte Maße mit menschlichen Vergleichen ("40cm lang, etwa so groß wie eine große Thermosflasche"), Material und Farbe, markante Merkmale dezent beschrieben, Orientierung, Anti-Duplikat-Regeln ("Only ONE device") und Anti-Artefakt-Regeln ("No dust, no haze").
Block 2 — Szenen-Beschreibung: Umgebung, Licht, Person/Aktion, eine einzige spezifische Oberfläche für die Platzierung, Kameraeinstellungen (Objektiv, Blende, Schärfentiefe) und ein Style-Anker ("Photorealistic, editorial lifestyle photography").
Diese Struktur ist nicht verhandelbar. Wer beides vermischt, bekommt inkonsistente Ergebnisse.
Was zuverlässig funktioniert: Produkt im Vordergrund
Vordergrund-Platzierung mit 3-4 Referenzbildern ist der Sweet Spot. Das Modell rendert das Produkt prominent mit akkurater Form, Proportionen und Details. Personen können im Hintergrund oder seitlich platziert werden.
KI-generiertes Lifestyle-Produktfoto — Gerät auf Beistelltisch, warme Abendstimmung mit Paar auf Sofa
Noch ein Foreground-Treffer: Warmes Licht, natürliche Platzierung, Personen im Hintergrund
Optimale Einstellungen für Vordergrund:
| Parameter | Wert |
|---|---|
| Referenzbilder | 3-4 aus verschiedenen Winkeln |
| Objektiv im Prompt | 50mm (natürlichste Proportionen) |
| Platzierung | "Prominently visible in the foreground" |
| Oberfläche | Eine einzige nennen ("sits ON the nightstand") |
| Steps | 16-20 (Sweet Spot) |
| Sampler | euler, simple scheduler |
| CFG | 1.0 |
| Blende im Prompt | f/1.4 – f/1.8 |
Erfolgsrate: ca. 80% brauchbare Ergebnisse. Das ist extrem gut für generative KI.
Das schwierige Problem: Produkt im Hintergrund
Hier wird es spannend — und frustrierend. Das Produkt soll natürlich im Hintergrund stehen, während eine Person das Hauptmotiv ist. Aber die gesamte Reference Latent Conditioning Methode ist darauf ausgelegt, das referenzierte Objekt zu reproduzieren. Es will das Produkt prominent zeigen.
Wir haben 4 Ansätze über 36+ Bilder getestet:
| Ansatz | Methode | Ergebnis |
|---|---|---|
| A: Standard + "FAR behind" | Produkt-Block zuerst, 2 Refs, starke Distanz-Sprache | Produkt landet trotzdem im Vordergrund |
| B: Scene-first | Volle Szenenbeschreibung zuerst, Produkt erst am Ende erwähnt | Bestes Ergebnis. Produkt erscheint in ~40% der Fälle tatsächlich im Hintergrund |
| C: Aggressives Minimieren | "MAIN SUBJECT" / "BACKGROUND", "5% of frame" | Zu aggressiv — Produkt verschwindet komplett oder wird unkenntlicher Blob |
| D: Beiläufige Erwähnung | Kein Produkt-Block, Produkt als "just another kitchen item" | Gemischt — manchmal perfekt, manchmal falsche Größe |
Gewinner: Scene-first (Ansatz B) mit nur 1 Referenzbild.
Die Logik: Weniger Referenzbilder = weniger "zeig dieses Objekt"-Druck. Und wenn die Szene zuerst beschrieben wird, priorisiert das Modell den Kontext.
KI-generiertes Produktfoto — Gerät dezent im Hintergrund auf Regal, Mutter und Kind spielen im Vordergrund
Hintergrund-Platzierung mit Scene-first Prompt und 1 Referenzbild — das Gerät fügt sich natürlich ein
KI-generiertes Produktfoto — Gerät steht aufrecht in Küche statt horizontal
Das Orientierungsproblem: Das zylindrische Gerät wird stehend statt liegend gerendert
Harte Regeln, die wir auf die harte Tour gelernt haben
Nach dutzenden fehlgeschlagenen Generierungen kristallisieren sich klare No-Gos heraus:
- Niemals Spiegel erwähnen — garantiert ein Duplikat des Produkts (Spiegelung = zweites Produkt)
- Niemals zwei Oberflächen nennen — "on the shelf or the counter" = Produkt auf beiden
- Niemals "LED ring" oder "glowing" sagen — Modell übertreibt leuchtende Features. Stattdessen: "small subtle blue accent"
- Niemals 35mm Objektiv — Tonnenverzerrung verzerrt Produktproportionen
- Niemals unter 16 Steps — Gesichter werden weich, überall Dunst
- Niemals Inpainting zum Hinzufügen des Produkts — Ghosting und Morphing bei jedem Denoise-Level
- Weniger Refs für Hintergrund (1), mehr für Vordergrund (3-4)
Das Orientierungsproblem
Selbst wenn das Produkt ein horizontaler Zylinder ist, der flach in einer Halterung liegt, rendert das Modell es häufig stehend — wie einen Lautsprecher oder eine Thermosflasche. Die Wahl des Referenzbildes ist entscheidend:
- Ein 3/4-Winkel-Foto (Zylinder wirkt in der Perspektive etwas vertikal) → Modell tendiert zu aufrechter Platzierung
- Ein klar horizontales Foto (Seitenansicht, flach liegend) → hilft, garantiert aber nichts
- Explizite Sprache wie "LYING FLAT ON ITS SIDE, NOT standing upright, like a rolling pin" → hilft, ist aber nicht narrensicher
Das Größen-Kalibrierungsproblem
Für Hintergrund-Platzierung ist das Produkt entweder zu groß oder zu klein:
- "tiny" / "very small" / "5% of frame" → Produkt verschwindet
- "large" / prominente Sprache → Produkt dominiert die Szene
- Real-World-Vergleiche funktionieren am besten: "about the size of a large water bottle" gibt dem Modell eine konkrete Referenz
- Niemals prozentbasierte Größenangaben — das ist unberechenbar
Text auf Produkten: Vergiss es
Flux 2 Dev kann keinen lesbaren Text auf Produkten rendern. Logos werden zu zufälligen buchstabenähnlichen Formen. Das ist eine Modell-Limitation, nicht durch Prompting fixbar.
Für den Workflow heißt das: KI-Produktfotos sind perfekt für Mood Boards, Social Media Konzepte und interne Präsentationen. Für finale Print-Assets mit sichtbarem Logo brauchst du weiterhin echte Fotos oder Compositing.
Die automatisierte Pipeline
Wir haben ein 3-Agenten-System gebaut, das den Prozess skaliert:
- Creative Director: Generiert Shot-Briefs aus Brand Research, passt basierend auf Feedback an
- Producer: Baut ComfyUI-Workflows, managed Referenzbilder, generiert Bilder
- Photo Judge: Nutzt Claudes Vision-Fähigkeiten, um Produktgenauigkeit, Proportionen, Szenenqualität und Platzierung zu bewerten
Pass-Threshold: Alle Scores ≥ 6 von 10, Durchschnitt ≥ 6.5. Der Judge ignoriert Text-Garbling (bekannte Limitation).
Das Ergebnis: Statt manuell durch hunderte Bilder zu scrollen, filtert die Pipeline automatisch und liefert nur die brauchbaren Ergebnisse.
Optimal Settings Cheat Sheet
| Parameter | Wert |
|---|---|
| Steps | 16 (schnelle Iteration) oder 20 (finale Qualität) |
| Sampler | euler, simple scheduler |
| CFG | 1.0 |
| Denoise | 1.0 |
| Auflösung | 768×1344 (9:16) oder 832×1024 (4:5) |
| Refs Vordergrund | 3-4 Bilder |
| Refs Hintergrund | 1 Bild |
| Objektiv im Prompt | 50mm (natürlich) oder 85mm (komprimierter BG) |
| Blende im Prompt | f/1.4 – f/1.8 |
Fazit: Brauchbar, aber kein Ersatz
KI-Produktfotografie mit Flux 2 Dev ist kein Ersatz für professionelle Shootings — aber es ist ein mächtiges Werkzeug für schnelle Konzepte, Social Media Content und interne Präsentationen.
Die Vordergrund-Platzierung ist jetzt schon produktionsreif. Hintergrund-Platzierung braucht 2-3x mehr Generierungen, liefert aber mit der richtigen Technik brauchbare Ergebnisse.
Der größte Vorteil: Alles läuft lokal, keine API-Kosten, volle Kontrolle über den Workflow. Und mit der automatisierten Pipeline wird aus einem manuellen Trial-and-Error-Prozess ein skalierbares System.
Du willst KI-generierte Produktfotos für dein Unternehmen testen? Ich helfe dir beim Setup — von der Hardware über ComfyUI bis zur automatisierten Pipeline. Lass uns sprechen →
