Input-Optimierung für KI-Videogenerierung
KI-Video beginnt
beim Input.
PRISM konditioniert KI-generierte Bilder als Startframe — für messbar stabilere Videos, ohne den Look anzutasten. Adaptiv pro Bild, kalibriert pro Modell-Kombination.
Technik
Der Beweis
Gleiches Bild, gleicher Prompt.
Anderer Startframe.
Fairerweise: Der Unterschied springt nicht ins Auge. Er ist marginal — aber über n=5 Läufe je Seite konsistent messbar, und beim direkten Vergleich sieht man ihn an ruhigeren Flächen und stabileren Kanten. Genau darum steht hier eine Messung und kein Effekt-Feuerwerk: Wäre der Unterschied plakativ, hätten wir das Bild verändert — und das ist der Punkt nicht.
Warum man nichts sieht
Der ganze Eingriff — ×10 verstärkt
Porträt
ArchitekturZehnfach verstärkte Differenz der beiden Startbilder. Nur Mikrostruktur leuchtet auf — Bart, Haar, Laub, Kanten. Flächen bleiben schwarz: Farbe, Helligkeit und Inhalt sind unangetastet. So klein ist der Eingriff, der oben messbar stabilere Videos erzeugt.
Zwei unabhängige Inhalte, gleiches Ergebnis — je Paar dasselbe Gemini-4K-Bild, links unbehandelt, rechts PRISM-konditioniert. Gezeigt ist jeweils der Median-Lauf, nicht der beste. Die Prozentwerte sind Mittel über n=5 Läufe je Seite; „5/5" heißt, dass die Richtung in jedem einzelnen Lauf stimmt (Cohen's d = 2.4 bis 6.0 — ein Verlässlichkeits-, kein Größenmaß). Die Bewegungsmenge bleibt unverändert: Die Ruhe kommt nicht aus weniger Bewegung. Kling generiert stochastisch, die Bewegung der Clips unterscheidet sich also zwangsläufig — verglichen wird die Stabilität, nicht die Choreografie.