Die Wissenschaft hinter PRISM
Und wie eine unsichtbare, spektrale Konditionierung des Startframes das messbar korrigiert — hergeleitet aus kontrollierten Experimenten, nicht aus Intuition.
Videogenerierungs-Modelle (Kling, Seedance, Runway, Veo …) wurden auf riesigen Mengen echten Videomaterials trainiert. In der Praxis füttert sie aber fast jeder mit KI-generierten Startbildern (Gemini 3 Pro Image, GPT Image, Midjourney, Flux). Diese Bilder sind für das Videomodell statistisch out-of-distribution — und das Ergebnis ist sichtbar: driftende Gesichter, Flackern, inkohärente Bewegung, „Morphing".
Die Forschung bestätigt den Mechanismus: Image-to-Video-Modelle hängen bei großen Zeitschritten zu stark am Konditionierungsbild (Conditional Image Leakage), und out-of-distribution-Startbilder erzeugen dauerhaft höhere Fréchet-Video-Distanz (FlashI2V). Alle bekannten Lösungen setzen aber am Modell an — bei geschlossenen APIs ist die einzige verfügbare Stellschraube der Input. Genau dort setzt PRISM an.
Das Videomodell encodiert den Startframe zuerst über einen VAE-Encoder in eine kompakte latente Darstellung — dabei wird das Bild heruntergerechnet. KI-Bilder tragen an den feinsten Skalen ein charakteristisches Muster: zu viel hochfrequente „Schärfe"/Korn und zugleich das Fehlen echten Sensorrauschens. Beim Downsampling wird dieses feine AI-Korn zu Aliasing-Rauschen — es verschiebt den Latent-Vektor weg von der Mannigfaltigkeit echter Videoframes. Aus einem instabilen Startpunkt generiert das Modell instabile Bewegung.
Die naheliegende Idee — das KI-Bild einfach „fotorealistischer" machen — ist nachweislich falsch und verschlechtert das Ergebnis. In kontrollierten Dosis-Wirkungs-Experimenten (gleiches Bild, gleicher Prompt, nur die spektrale Behandlung variiert) reagiert die Videoqualität streng monoton auf eine spezifische, kontraintuitive Konditionierung. Welche genau — und in welcher Dosierung sie für ein gegebenes Bild optimal ist — ist der Kern von PRISM, und sie ist spezifisch für jede Modell-Kombination: ein anderes Bild- oder Videomodell hat einen anderen Encoder und braucht eine eigene Kalibrierung.
Ein zusätzlicher Freiheitsgrad trennt temporale Stabilität von Detailerhalt. Im Tool ist das der Regler „Look erhalten ↔ Detail": Die stabilisierende Wirkung greift immer und bleibt praktisch unsichtbar; der Detailanteil ist dosierbar, ohne den Look anzutasten.
Der Filter ist ziel-getrieben und adaptiv: Er misst jedes Bild einzeln und wendet genau die Behandlung an, die es für den bestmöglichen Video-Output braucht — jedes Bild anders. Verändert wird ausschließlich die Feinstruktur, nie der absolute Look. Ein bewusst dunkles, kontrastarmes Gemini-Bild bleibt dunkel und kontrastarm; ein knalliges bleibt knallig.
Erstes validiertes Modell-Paar: Gemini 3 Pro Image → Kling v3, nativ 4K, n=5 pro Bedingung (Videomodelle sind stochastisch — Einzelläufe sind wertlos), mit bewegungs-unabhängigen Videometriken über drei sehr verschiedene Inhaltstypen reproduziert. Die Methodik überträgt sich auf weitere Paare, jeweils mit eigener Kalibrierung. Effektstärken (Cohen's d) gegenüber unbehandeltem Input:
Wichtig: Gemessen wird ausschließlich am Video. Ob das Bild „schärfer aussieht", ist irrelevant — es zählt allein, ob das Videomodell stabiler generiert. Ein leicht plastischer wirkendes Standbild kann den besseren Video-Output ergeben; Standbild-Ästhetik und Video-Tauglichkeit sind zwei verschiedene Dinge.