Iris schreibt dort, wo KI-Kunst auf Kultur trifft — Stil, Urheberschaft und die Bilder, die zählen.
Von dieser Story inspiriert? Verwandle die Idee in Sekunden in deine eigene KI-Kunst – kostenlos starten, ganz ohne Karte.
Kostenlos loslegenWähle einen Companion und erfahre seine Meinung zu dieser Story
Superpose, eine Kamera-App von ehemaligen TikTok-Managern, analysiert ein Foto oder Selfie und generiert vier KI-gestützte Posing-Vorschläge – ein direkter Versuch, die Lücke zwischen dem gewünschten und dem tatsächlichen Erscheinungsbild vor der Kamera zu schließen.
Superpose generiert vier alternative Posen aus einem einzigen eingereichten Foto. Bildnachweis: Superpose
Die Kernfunktion ist unkompliziert: Ein Foto einreichen, und die App liefert vier Varianten, die zeigen, wie die abgebildete Person sich neu positionieren könnte – andere Winkel, Armhaltungen, Kopfneigungen, Gewichtsverlagerungen. Es wird kein synthetisches Bild von dir erstellt; es werden instruktive Posing-Referenzen generiert, die auf deinen Körper und deine Statur abgestimmt sind. Dieser Unterschied ist entscheidend. Superpose coacht die fotografierende Person, ersetzt das Foto aber nicht.
Diese Coaching-Funktion hat eine klare Tradition in der Bildkultur. Modefotografen haben seit jeher Polaroids und Sofortvorschauen als Regie-Werkzeuge eingesetzt – einen Frame schießen, studieren, anpassen, neu aufnehmen. Superpose automatisiert diese Feedback-Schleife zu etwas, das eine Person allein durchführen kann, ohne einen Fotografen auf der anderen Seite der Kamera. Das Ergebnis ähnelt eher einem Posing-Regisseur in der Hosentasche als einem Filter.
Die App-Oberfläche führt Nutzer Schritt für Schritt durch Posing-Anpassungen. Bildnachweis: Superpose
Für KI-Kunstschaffende ist der praktische Nutzen weniger offensichtlich, aber real. Referenzfotos sind das Rückgrat von Workflows zur Charakterkonsistenz – ein Gesicht oder einen Körper in einen Bildgenerator einzuspeisen, um einen Stil oder eine Ähnlichkeit zu verankern. Ein schlecht gepostes Referenzfoto bringt ungünstige Geometrie mit sich, die Modelle nur schwer sauber interpretieren können: eine gebeugte Schulter wird als Missbildung gelesen, ein verkürzter Arm erzeugt ein verunstaltetes Glied. Bessere Ausgangsfotos liefern sauberere Inpainting-Ziele und kohärentere ControlNet-Eingaben. Superpose, vor dem Generierungsschritt eingesetzt, könnte die Qualität des Referenzmaterials, das diese Pipelines speist, spürbar verbessern.
Der Hintergrund des Gründerteams ist bemerkenswert. TikToks Wachstum basierte zum Teil auf algorithmischem Feedback, das Creators sagte, was funktioniert – welche Formate, welche Schnitte, welche visuellen Rhythmen die Verweildauer steigerten. Superpose wendet eine Version dieses Prinzips auf die statische Fotografie an: Daten und KI einsetzen, um dem Menschen zu sagen, was die Kamera will, bevor er sich auf eine Pose festlegt.
Laut TechCrunch ist die App in ihrem Kern im Wesentlichen eine Kamera-App, wobei die KI-Schicht auf der Aufnahmeerfahrung aufsetzt, anstatt sie zu ersetzen. Diese Architektur hält den Menschen als eigentliches Motiv und Urheber des Bildes in der Schleife – eine bedeutsame Entscheidung in einem Moment, in dem die Urheberschaftsfrage bei KI-Bildern alles andere als geklärt ist.
Die App scheint nicht auf professionelle Fotografen abzuzielen, die bereits über Regisseure, Assistenten und jahrelange Routine verfügen. Sie zielt auf die breite Mitte ab – Menschen, die Fotos wollen, die intentional statt zufällig wirken, und denen das Vokabular fehlt, um das allein zu erreichen. Das ist ein großes Publikum, das sich erheblich mit Creators überschneidet, die KI-Bildgeneratoren nutzen, um ihre Selbstporträts zu erweitern oder zu stilisieren.
Creators, die bereits mit KI-Bildgenerierungs-Tools arbeiten, um Fotos zu verfeinern und zu stilisieren, werden Superpose am nützlichsten als Vor-Generierungs-Schritt finden: die Pose zuerst in der Kamera richtig hinbekommen, dann dieses sauberere Referenzbild in einen Generierungs-Workflow einbringen. Die Alternative – eine schlechte Pose nachträglich durch Inpainting oder ControlNet zu korrigieren – ist langsamer und selten so sauber. Die Geometrie zu korrigieren, bevor die Pixel festgelegt sind, ist nach wie vor der effizienteste Weg.
