Der unzensierte KI-Image-to-Image-Generator, der das Gesicht tatsächlich beibehält

Sie haben ein Foto. Sie möchten, dass die KI es in eine Bikini-Version, eine Dessous-Version oder etwas Expliziteres verwandelt – während das Gesicht erhalten bleibt. Sie haben Midjourney ausprobiert: abgelehnt. DALL-E versucht: weichgezeichnet und gefiltert. Stable Diffusion mit Standardeinstellungen ausprobiert: vom Sicherheitsfilter blockiert, noch bevor die Generierung überhaupt begann.

Dies ist kein Versagen der Tools. Es ist eine Design-Entscheidung. Jede Mainstream-Plattform wendet auf Modellebene eine Inhaltsmoderationsschicht an. Genau diese Ebene ist das, worauf sich das Wort "uncensored" (unzensiert) bezieht, wenn Nutzer nach unzensierter Bild-zu-Bild-KI suchen. Das Tool existiert. Die Frage ist, welches Modell die Identität korrekt bewahrt, während sich der Inhalt ändert.

Warum Mainstream-KI-Bildgeneratoren unzensierte Inhalte blockieren

Jede große Plattform für Bildgenerierung wendet Inhaltsfilter auf zwei Ebenen an: der Prompt-Eingabeebene und der Modell-Ausgabeebene. Wenn Sie einen Prompt mit NSFW-Begriffen senden, lehnt der Eingabefilter diesen ab, bevor das Modell läuft. Wenn ein Prompt durchschlüpft, erkennt der Ausgabefilter das generierte Bild und unterdrückt oder verwischt das Ergebnis.

Dies ist keine technische Einschränkung der Leistungsfähigkeit. Stable Diffusion, die Architektur hinter den meisten Bild-zu-Bild-Tools, hat keine technische Beschränkung für NSFW-Ausgaben. Die Filterung wird von den Plattformbetreibern zusätzlich zum Modell angewendet. Entfernen Sie den Filter, generiert das zugrundeliegende Modell den Inhalt.

"Unzensiert" bedeutet im Kontext eines KI-Bild-zu-Bild-Generators, dass die Inhaltsmoderationsschicht entfernt wurde. Das Modell verarbeitet den Prompt und das Bild ohne aktiven Eingriff in den zu generierenden Inhalt. Der Bild-zu-Bild-Katalog von Atlas Cloud führt Modelle in dieser Konfiguration aus, einschließlich der Seedream-Familie, die speziell für die Porträtbearbeitung mit Gesichtserhalt entwickelt wurde.

Das zweite Problem — das Zerbrechen der Gesichtsidentität während der Transformation — ist von der Inhaltsfilterung getrennt. Es ist ein Problem des Modelltrainings. Genau darum geht es im Rest dieses Leitfadens.

---

Warum sich das Gesicht bei der unzensierten KI-Bild-zu-Bild-Generierung verändert und wie man es stoppt

Wenn Sie ein Foto hochladen und einen Prompt für eine inhaltliche Transformation schreiben, weiß das Modell nicht, welche Teile des Bildes tabu sind. Es wendet Änderungen global basierend auf semantischer Gewichtung an. Das Gesicht, als Bereich mit dem höchsten semantischen Gewicht in einem Porträt, erhält starke Aufmerksamkeit vom Modell – was bedeutet, dass es zusammen mit allem anderen neu gezeichnet wird.

Zwei Variablen steuern, wie stark sich das Gesicht verändert:

guidance_scale bestimmt, wie aggressiv das Modell dem Prompt folgt, anstatt das Quellbild zu respektieren. Niedrige Werte bewahren die Referenz. Hohe Werte lassen den Prompt das Bild überschreiben. Bei einer guidance_scale von 10 oder höher steuert der Prompt die Ausgabe fast vollständig. Das Gesicht wird zu dem, was der Prompt impliziert, nicht zu dem, was das Quellbild zeigt.

Die Modellarchitektur ist der wichtigere Faktor. Die meisten Bildbearbeitungsmodelle sind nicht darauf trainiert, die Gesichtsidentität während der Transformation zu isolieren. Die Seedream-Familie hingegen schon. Ihr Training trennt den Gesichtserhalt explizit von der inhaltlichen Generierung, sodass das Modell Kleidung und Szene ändern kann, während es die Gesichtszüge, den Hautton und die Beleuchtung der Quelle beibehält.

Die praktische Kombination: Seedream-Modell** + guidance_scale zwischen 5 und 7** erzeugt gesichtsstabile Ausgaben bei leichten bis starken inhaltlichen Transformationen.

---

Modellauswahl für unzensierte KI-Bild-zu-Bild-Generatoren

Seedream v5.0 Lite Edit ist die Standardwahl. Offizielle Beschreibung von Atlas Cloud: "bewahrt Gesichtszüge, Beleuchtung und Farbtöne und ermöglicht gleichzeitig professionelle Änderungen." Beginnen Sie für die meisten unzensierten Bild-zu-Bild-Anwendungsfälle hier und wechseln Sie nur zu v4.5, wenn Sie eine höhere Ausgabeauflösung für die finale Verwendung benötigen.

---

Workflow 1: Unzensiertes Bild-zu-Bild — Bademode und Dessous (Leicht)

Modell: Seedream v5.0 Lite Edit

guidance_scale: 6

num_inference_steps: 25

Die leichte Stufe deckt Ausgaben ab, bei denen Kleidung durch Bademode, Bikini, Dessous oder Ähnliches ersetzt wird. Der Inhalt ist explizit, aber der Transformationsumfang ist moderat — der Körper ist bedeckt, die Änderung liegt darin, womit er bedeckt ist.

Bei einer guidance_scale von 6 behandelt Seedream v5.0 Lite das Quellbild als primäre Referenz und verwendet den Prompt, um zu definieren, was sich ändert. Gesicht, Körperproportionen, Hautton und Beleuchtung werden alle von der Quelle übernommen. Nur der Kleiderbereich transformiert sich.

Prompt-Struktur:

plaintextCopy
1[detaillierte Kleiderbeschreibung], fotorealistisch, gleiches Gesicht, gleiche Körperproportionen, gleicher Hautton, gleiche Beleuchtung

Beispiel-Prompt:

plaintextCopy
1wearing a black lace lingerie set, photorealistic, high detail, same face, same body proportions, same skin tone, same lighting direction as source

Was dazu führt, dass das Gesicht auf dieser Stufe abdriftet:

• guidance_scale über 8. Der Prompt beginnt, die Identitätssignale des Quellbildes ab diesem Wert selbst bei Seedream zu überschreiben.
• Beschreibung des Quellzustands. Begriffe wie "remove clothing" (Kleidung entfernen) lenken die Aufmerksamkeit des Modells auf den bekleideten Bereich und destabilisieren umliegende Bereiche, einschließlich des Gesichts.
• Vage Körperbeschreibungen. Begriffe wie "sexy body" geben dem Modell die Erlaubnis, Proportionen neu zu interpretieren. Verankern Sie die Körperbeschreibung an der Quelle: "same body proportions".

API-Aufruf:

pythonCopy
1import requests
2
3# Schritt 1: Referenzbild hochladen
4upload = requests.post(
5    "https://api.atlascloud.ai/api/v1/model/uploadMedia",
6    headers={"Authorization": "Bearer YOUR_KEY"},
7    files={"file": open("reference.jpg", "rb")}
8)
9image_url = upload.json()["url"]
10
11# Schritt 2: Generieren
12response = requests.post(
13    "https://api.atlascloud.ai/api/v1/model/generateImage",
14    headers={"Authorization": "Bearer YOUR_KEY"},
15    json={
16        "model": "bytedance/seedream-v5-0-lite-edit",
17        "image": image_url,
18        "prompt": "wearing a black lace lingerie set, photorealistic, same face, same body proportions, same skin tone, same lighting direction as source",
19        "guidance_scale": 6,
20        "num_inference_steps": 25
21    }
22)

---

Workflow 2: Unzensiertes Bild-zu-Bild — Freizügiger Stil (Mittel)

Modell: Seedream v5.0 Lite Edit

guidance_scale: 7

num_inference_steps: 28

Die mittlere Stufe deckt Ausgaben mit mehr Hautpartien ab — transparenter Stoff, Teilbedeckung, freizügige Schnitte. Der Prompt muss ein gewisses Maß an Freizügigkeit vermitteln, ohne Mehrdeutigkeiten auszulösen, die das Modell zu einer konservativen Interpretation verleiten.

Erhöhen Sie die guidance_scale auf 7. Das Modell benötigt mehr Prompt-Einfluss, um eine Transformation dieses Ausmaßes anzuwenden, während es gegen die ursprüngliche Kleidung des Referenzbildes arbeitet. Identitätsanker im Prompt werden bei dieser Einstellung wichtiger, nicht weniger wichtig — das Modell lässt sich insgesamt stärker vom Prompt leiten, daher ist es wichtig, explizit anzugeben, was bewahrt werden soll.

Prompt-Struktur:

plaintextCopy
1[spezifisches Kleidungsstück mit Details zur Abdeckung], fotorealistisch, hochdetailliert, gleiches Gesicht, gleiche Gesichtszüge, gleiche Körperproportionen, gleicher Hautton, weiche natürliche Beleuchtung

Beispiel-Prompt:

plaintextCopy
1wearing a sheer white mini dress with no undergarments, visible through fabric, photorealistic, ultra detailed, same face, same facial features, same body proportions, same skin tone, soft natural lighting

Prompt-Strategie auf dieser Stufe:

Beschreiben Sie, was das Kleidungsstück ist und was es enthüllt, anstatt Nacktheit direkt zu beschreiben. "Sheer fabric, visible through" (transparenter Stoff, sichtbar durch) wird als Kleiderbeschreibung gelesen. Es gibt dem Modell ein kohärentes visuelles Ziel. Abstrakte Anweisungen wie "make it more revealing" werden inkonsistent interpretiert, da sie keinen konkreten visuellen Zustand beschreiben.

Wenn Gesichtsdrift auf der mittleren Stufe auftritt:

Wenn sich das Gesicht verschiebt, nachdem Sie auf guidance_scale 7 erhöht haben, verschieben Sie die Identitätsanker weiter nach vorne in den Prompt. Das Modell gewichtet frühere Tokens stärker. Sortieren Sie um zu:

plaintextCopy
1same face as source, same facial features, [clothing description], photorealistic, same body proportions, same skin tone

---

Workflow 3: Unzensierte KI-Bild-zu-Bild — Explizite Inhalte (Schwer)

Modell: Seedream v4.5 Edit

guidance_scale: 5

num_inference_steps: 30

Die schwere Stufe deckt die explizitesten Ausgaben ab — vollständige Nacktheit, explizite Posen. Auf dieser Ebene verlangt der Prompt die größte Abweichung vom Quellbild. Das Modell steht unter dem größten Druck, die Quelle zu überschreiben. Hier ist die Gesichtsidentität am stärksten gefährdet.

Kontraintuitiv ist die Lösung, die guidance_scale auf 5 zu senken, nicht sie zu erhöhen. Das Modell benötigt mehr Spielraum, um auf das Quellbild für Identitätssignale zu verweisen, gerade weil die inhaltliche Transformation so extrem ist. Lassen Sie das Quellbild das Gesicht verankern, während der Prompt den Inhalt steuert.

Verwenden Sie auf dieser Stufe Seedream v4.5 Edit (USD0.036/Bild) statt v5.0 Lite. Die v4.5-Architektur erzeugt eine höher auflösende Ausgabe mit feineren Gesichtsdetails, was wichtig ist, wenn der Rest des Bildes eine maximale Transformation durchläuft. Das Gesicht braucht mehr Definition, um als dieselbe Person erkannt zu werden.

Beispiel-Prompt:

plaintextCopy
1nude, full body, photorealistic, 4k, same face as source, identical facial features, same body proportions, same skin tone, same hair, natural lighting

Platzierung der Gesichtsanker auf der schweren Stufe:

Bei guidance_scale 5 leisten die Identitätsanker die meiste Arbeit. Platzieren Sie sie unmittelbar nach der Inhaltsbeschreibung:

plaintextCopy
1[content], same face as source, identical facial features, same body proportions, same skin tone, same hair, [quality/lighting]

Die Gesichtsanker zwischen der Inhaltsbeschreibung und den Qualitätsbegriffen positionieren diese als die am stärksten gewichtete Einschränkung in der Mitte des Prompts. Diese Anordnung übertrifft bei niedriger guidance_scale konsequent Anker, die am Ende platziert werden.

---

Batch-Variationen für unzensierte KI-Bild-zu-Bild-Generierung von einem Foto

Modell: Seedream v5.0 Lite Edit Sequential

guidance_scale: 6

num_inference_steps: 25

Wenn Sie mehrere Ausgaben von demselben Quellfoto benötigen — verschiedene Outfits, verschiedene Belichtungsstufen, verschiedene Szenen — behält das sequentielle Modell die Konsistenz der Gesichtsidentität über den gesamten Batch bei. Das Ausführen separater Einzelbild-Aufrufe führt zu kleinen Identitätsverschiebungen. Die sequentielle Variante verankert alle Ausgaben an derselben Quelle.

pythonCopy
1from concurrent.futures import ThreadPoolExecutor
2import requests
3
4API_KEY = "YOUR_KEY"
5IMAGE_URL = "UPLOADED_IMAGE_URL"  # einmal hochladen, wiederverwenden
6
7prompts = [
8    "wearing a red bikini, photorealistic, same face, same body proportions, same skin tone, beach lighting",
9    "wearing black lingerie, photorealistic, same face, same body proportions, same skin tone, soft studio lighting",
10    "wearing a sheer dress, photorealistic, same face, same body proportions, same skin tone, natural daylight",
11]
12
13def generate(prompt):
14    return requests.post(
15        "https://api.atlascloud.ai/api/v1/model/generateImage",
16        headers={"Authorization": f"Bearer {API_KEY}"},
17        json={
18            "model": "bytedance/seedream-v5-0-lite-edit-sequential",
19            "image": IMAGE_URL,
20            "prompt": prompt,
21            "guidance_scale": 6,
22            "num_inference_steps": 25
23        }
24    ).json()
25
26with ThreadPoolExecutor(max_workers=5) as executor:
27    results = list(executor.map(generate, prompts))

Laden Sie das Quellbild einmal hoch und verwenden Sie die zurückgegebene URL in allen Aufrufen wieder. Das sequentielle Modell entspricht beim Preis von USD0.032/Bild dem Einzelbildpreis. Der Konsistenzgewinn kostet keinen Aufpreis.

---

Kostenlose Optionen für unzensierte KI-Bild-zu-Bild-Generatoren

Kostenlose unzensierte KI-Bild-zu-Bild-Generatoren existieren, haben aber für diesen Anwendungsfall drei strukturelle Einschränkungen:

Keine Architektur zur Gesichtsbewahrung. Kostenlose Modelle sind in der Regel ältere oder kleinere Versionen ohne das auf Gesichtsisolierung trainierte Seedream-Klasse-Modell. Bei mittleren und schweren inhaltlichen Transformationsstufen verändert sich das Gesicht unabhängig von den guidance_scale-Einstellungen, da das Modell keinen Mechanismus zur Isolierung besitzt.

Auflösungsbegrenzungen auf 512x512 oder 768x768. Die Gesichtsdetails bei diesen Auflösungen sind unzureichend für Ausgaben, die als dieselbe Person gelesen werden sollen. Die Gesichtsidentität liegt in den feinen Details — Augenform, Kieferlinie, Hauttextur — und diese Details verschwinden bei niedriger Auflösung.

Warteschlangenverzögerungen von 30 Sekunden bis zu mehreren Minuten. Das Iterieren durch Prompt-Variationen und guidance_scale-Einstellungen erfordert schnelles Feedback. Eine 2-minütige Warteschlange pro Generierung macht das Testen von Parametern unpraktisch.

Für die Prompt-Validierung vor der Beauftragung eines Seedream-Durchlaufs ist GPT Image-1 Mini Edit bei USD0.004/Bild auf Atlas Cloud eine bessere Option als ein kostenloses Tool. Es ist günstig genug, um 10 bis 15 Testgenerierungen für unter USD0.05 durchzuführen, ohne Warteschlange und mit konsistenten Antwortzeiten.

Für einen vollständigen Vergleich unzensierter KI-Tools über verschiedene Generierungstypen hinweg deckt der Leitfaden für die besten unzensierten KI-Bildgeneratoren das gesamte Spektrum ab.

---

FAQ

Unterstützt Atlas Cloud die Generierung von NSFW- und expliziten Inhalten?

Ja. Die unzensierten Bild-zu-Bild-Modelle von Atlas Cloud, einschließlich der Seedream-Familie und Flux Kontext Dev, laufen ohne Inhaltsmoderationsfilter. Die Generierung expliziter Inhalte wird unterstützt. Modellpreise und Verfügbarkeit sind im Atlas Cloud-Katalog für Bild-zu-Bild-Modelle aufgeführt.

Welche guidance_scale hält das Gesicht über alle drei Inhaltsstufen stabil?

Für leicht (Bademode/Dessous): 6. Für mittel (freizügig): 7. Für schwer (explizit): 5. Die schwere Stufe erfordert einen niedrigeren Wert, da die inhaltliche Transformation mehr Druck auf das Modell ausübt, die Quelle zu überschreiben — das Senken der guidance_scale gibt dem Quellbild mehr Gewicht, um das Gesicht zu verankern.

Die Körperproportionen haben sich geändert, aber das Gesicht blieb. Wie korrigiere ich den Körper?

Fügen Sie "same body proportions" und "same body type as source" zum Identitätsanker-Abschnitt des Prompts hinzu. Körperproportionen sind selbst in Seedream-Modellen weniger geschützt als das Gesicht, da sie enger mit der zu generierenden Kleidung verknüpft sind. Explizite Körperanker im Prompt reduzieren diese Drift.

Kann ich dieselbe Quellbild-URL über mehrere Aufrufe hinweg wiederverwenden, ohne sie neu hochzuladen?

Ja. Laden Sie das Bild einmal über den Media-Upload-Endpunkt von Atlas Cloud hoch und speichern Sie die zurückgegebene URL. Diese URL ist für nachfolgende Generierungsaufrufe gültig. Übergeben Sie für Batch-Durchläufe dieselbe URL an alle Aufrufe im ThreadPoolExecutor. Das sequentielle Modell akzeptiert eine einzelne Quell-URL, die auf alle Prompts im Auftrag angewendet wird.

Was ist der günstigste Weg, den richtigen Prompt zu finden, bevor man einen kompletten Batch ausführt?

GPT Image-1 Mini Edit bei USD0.004/Bild. Führen Sie den Prompt auf den leichten, mittleren und schweren Inhaltsstufen aus, um zu sehen, wie das Modell die Beschreibung interpretiert. Identifizieren Sie, wo das Gesicht abdriftet, und passen Sie die Ankerplatzierung an, bevor Sie zu einem Seedream-Batch übergehen. Ein vollständiger Prompt-Test über fünf Variationen kostet USD0.02.

---

Fazit

Die Barriere für unzensierte Bild-zu-Bild-Generierung ist nicht technischer Natur. Mainstream-Tools filtern Inhalte aufgrund von Richtlinien, nicht aufgrund von Fähigkeiten. Entfernen Sie den Filter, und dieselbe Diffusionsarchitektur, die jedes große Bild-Tool antreibt, generiert den Inhalt ohne Einschränkungen.

Das verbleibende Problem ist die Gesichtsidentität. Generische Modelle isolieren Gesichter während der Transformation nicht. Seedream v5.0 Lite Edit tut dies. Beginnen Sie bei guidance_scale 6 für leichte Inhalte, gehen Sie auf 7 für mittlere, freizügige Ausgaben und senken Sie auf 5 für explizite Transformationen, bei denen das Quellbild die Identität unter maximalem Prompt-Druck verankern muss.

Führen Sie Test-Prompts auf GPT Image-1 Mini Edit für USD0.004/Bild aus. Wechseln Sie zu Seedream v5.0 Lite Edit für konsistente Produktionsergebnisse. Verwenden Sie Seedream v4.5 Edit, wenn feine Gesichtsdetails für finale Renderings wichtig sind. Für mehrere Variationen von einem Foto handhabt Seedream v5.0 Lite Edit Sequential den Batch zum gleichen Preis pro Bild.

Für die Modellevaluierung und den Tool-Vergleich deckt der Leitfaden für die besten unzensierten KI-Bildeditoren die gesamte Auswahl im Detail ab. Für das lokale Ausführen unzensierter KI-Modelle ohne API behandelt lokales Ausführen unzensierter KI-Bildmodelle das lokale Setup.