Die Mode hat zwei bildlastige Engpässe: Designer brauchen früh viele visuelle Varianten, und Käufer können nicht sehen, wie ein Kleidungsstück an ihnen aussieht, was Retouren auslöst. Generative Bildmodelle erzeugen heute Designkonzepte aus Skizzen und Prompts, und Modelle für die „virtuelle Anprobe“ (Virtual Try-On, VTON) legen ein Produktfoto auf das Foto einer Person oder eines Models. Einsatz für die Ideenfindung im Design, für Katalogbilder und für die Anprobe im Shop, mit menschlicher Prüfung und klarer Kennzeichnung synthetischer Bilder.
Problem & Nutzen
- Heute: Kollektionen werden über Skizzen, Muster und Fotoshootings mit Models, Studios und Retusche visualisiert. Onlinekäufer verlassen sich auf flache Produktfotos und Größentabellen; im Mode-E-Commerce sind die Retourenquoten hoch, und Größe sowie „steht es mir“ gehören zu den häufig genannten Gründen.
- KI-Nutzen: (1) schnellere Konzepterkundung und Varianten bei Farbstellung und Druck vor der Musterfertigung; (2) Bilder am Model für das gesamte Sortiment ohne Shooting je Artikelnummer, über verschiedene Körpertypen hinweg; (3) Anprobe für Käufer, um das Vertrauen zu stärken und passformbedingte Retouren zu senken.
- Belege: Anbieter veröffentlichen Verbesserungen bei Konversion und Retourenquote, doch diese sind selbst berichtet und je nach Kategorie unterschiedlich; führen Sie einen eigenen A/B-Test durch, bevor Sie darauf Budgets stützen. Die Realitätstreue von Stofffall, Passform und Größe ist die Schwachstelle: Die Anprobe zeigt das Aussehen, nicht eine physikalisch exakte Passform (zur Größenempfehlung siehe REC-012).
Varianten
- Ideenfindung für Designer: Skizze-zu-Bild, Generierung von Druck-/Mustervarianten und Farbstellungen, Moodboards; 3D-Werkzeuge für Kleidung (CLO, Browzwear) für technisch gültige Schnitte.
- Katalog-/Model-Bilder: Kleidungsstücke auf Studiomodels oder synthetische Models übertragen (siehe GEN-001).
- Anprobe für Käufer (B2C): Kunden laden ein Foto hoch oder nutzen in einem Shop oder einer App einen Avatar.
- Marktplatz-/Verkäufer-Werkzeuge: Verkäufer machen aus Flat-Lay-Fotos Bilder am Model.
- Private Nutzung: Verbraucher-Apps, um Outfits aus dem eigenen Kleiderschrank vorab zu sehen.
- Hier nicht behandelt: identitätstreue Porträts (GEN-026), Körpervermessung für die Größenbestimmung (REC-012).
So funktioniert es
- garment image (flat/ghost/on-model) + person image (or generated model)
- preprocessing: person parsing/segmentation, pose estimation, garment mask
- try-on generation (diffusion/transformer: garment conditioning + inpainting of the clothing region)
- post-processing: upscaling, artefact check, background/colour consistency
- quality gate (automatic checks + human review for catalogue use)
- labelling (synthetic-content marking/metadata)
- shop / PIM / DAM / app
- Kernmodelle: Diffusions- oder Flow-basierte Bildmodelle, konditioniert auf Merkmale des Kleidungsstücks; moderne Varianten nutzen Bildbearbeitungs-Basismodelle, die zwei Referenzbilder (Person + Kleidungsstück) aufnehmen.
- Designseite: Text-/Skizze-zu-Bild mit Stil- oder LoRA-Anpassung an den Look der Marke.
- Mensch-in-der-Schleife (Human-in-the-Loop): Designer wählen Konzepte aus und verfeinern sie; Merchandiser geben Katalogbilder frei (falscher Druck, fehlende Details, veränderte Logos); die Anprobe für Käufer wird ausdrücklich als Vorschau gezeigt.
Datenaufbereitung
Benötigt werden saubere Produktfotos der Kleidungsstücke (Flat-Lay, Ghost-Mannequin oder am Model), Artikelstammdaten mit Größe, Farbe und Kategorie sowie für die Anprobe Kunden- oder Modelfotos. Produktbilder liegen typischerweise im Shopsystem, in einem PIM oder DAM, in den ERP-Artikelstammdaten und auf den Laufwerken der Fotografen; Kunden-Uploads kommen über den Webshop. Typische Lücken sind uneinheitliche Hintergründe und Blickwinkel, fehlende oder falsche Attribute, Duplikate über Farbstellungen hinweg, unklare Model-Freigaben und Bildrechte sowie Kundenfotos, die als personenbezogene Daten gelten.
Schritte zur Aufbereitung: Richtlinien für Fotoaufnahmen vereinheitlichen (Hintergrund, Licht, Auflösung), Artikelattribute im PIM bereinigen (PREP-011, PREP-010), einen Goldstandard-Satz freigegebener Bilder am Model für Qualitätsprüfungen zusammenstellen (PREP-016, PREP-018), Model-Freigaben und Rechte dokumentieren und Aufbewahrungsregeln festlegen, sodass Kundenfotos direkt nach der Sitzung gelöscht werden (PREP-025). Das Freistellen von Hintergründen und das Verschlagworten lassen sich teilautomatisieren, siehe GEN-011.
Der Aufwandsanteil ist mittel, etwa 25 bis 35 Prozent, vor allem für die Vereinheitlichung der Bilder, die Bereinigung der Attribute und die rechtliche Dokumentation des Umgangs mit Bildern und Kundenfotos.
Umsetzungswege
Welcher Weg für wen
- KMU: A, weil ausgereifte, EU-taugliche Produkte für Anprobe und Katalogbilder als Shop-Plug-ins existieren und der Prozess Standard ist.
- Großunternehmen: B, weil die Anprobe ein kundennahes Kernmerkmal mit hohem Volumen ist; API-Kosten und Markenkontrolle rechtfertigen die Integration in den eigenen Shop.
- Entwickler: C, weil offene Anprobe-Modelle auf eigenen GPUs betrieben und feingetunt werden können, für Experimente und eigene Pipelines.
- Privat: A, weil Shopping-Apps und Anprobe-Werkzeuge für Verbraucher keine Einrichtung brauchen.
Weg A — Kaufen (Standardsoftware)
- Plugins für Anprobe/Katalog: spezialisierte Anbieter und Dienste, z. B. Botika, Vue.ai, Style3D, Kivisense, Pixelcut/Photoroom (Produktbilder), dazu die Anprobe-Funktionen von Google für Verbraucher in Suche/Shopping. Zu den Optionen mit Sitz in der EU zählt Botika (Spanien); prüfen Sie für jeden Anbieter die Verarbeitungsregion.
- Designwerkzeuge: Adobe Firefly (in Photoshop/Illustrator), Midjourney, Vizcom, Browzwear und CLO (3D-Kleidungsdesign und digitale Muster), Canva AI.
- A wählen, wenn: das Sortiment überschaubar ist und kein eigenes Erlebnis für Käufer nötig ist. Prüfen Sie EU-Hosting, Löschung hochgeladener Kundenfotos, kein Training mit Ihren Daten und Unterstützung der Kennzeichnung nach Art. 50.
Weg B — Auf Cloud-KI-Diensten aufbauen
- Eigene Anprobe-API: Modell „Virtual Try-On“ von Google Vertex AI (Personenbild + Kleidungsbild, für einige Vertex-Funktionen sind EU-Regionen verfügbar, bitte prüfen) [1].
- Bildbearbeitungsmodelle: Mehrbild-Bearbeitung in Gemini-Bildmodellen, GPT-Bildmodellen und FLUX Kontext (Black Forest Labs, Deutschland) per API für den Austausch von Kleidungsstücken und Designvarianten [2].
- Integration: Plugin für Shopify/Shopware/Magento, Anbindung an PIM/DAM, Warteschlange + Prüfoberfläche, CDN.
- B wählen, wenn: Sie die Anprobe im eigenen Shop bzw. in der eigenen App brauchen oder die Stapelproduktion für einen großen Katalog.
Weg C — Selbst betreiben (Open Source)
- Anprobe-Modelle: CatVTON [3], IDM-VTON [4] und verwandte Forschungsmodelle; allgemeine Bildmodelle: FLUX.1 (dev/Kontext dev; nicht-kommerzielle Lizenz für die dev-Gewichte, Bedingungen prüfen), die Stable-Diffusion- Familie, Qwen-Image-Edit; Bereitstellung über ComfyUI oder diffusers.
- Segmentierung/Pose: Modelle der SAM-Familie, Schätzer der Klasse OpenPose/DWPose, Modelle zur Personenparsierung.
- Hardware: HW2 betreibt leichte Anprobe-Modelle mit mehreren Sekunden pro Bild; HW3 für größere Bearbeitungsmodelle, hohe Auflösung und Stapelverarbeitung. Prüfen Sie jede Gewichtslizenz: Viele Gewichte aus der Forschung sind nicht-kommerziell und mit Datensätzen trainiert, die restriktive Bedingungen haben.
- C wählen, wenn: Kundenfotos On-Premises bzw. in der EU bleiben müssen oder das Volumen Gebühren pro Bild teuer macht.
Weg D — Eigenes Training
Lohnt sich für einen unverwechselbaren Markenlook (LoRA/Feintuning mit der eigenen Fotografie), ungewöhnliche Kleidungs- kategorien (Brautmode, Funktionskleidung, Schmuck, Schuhe) oder konsistente Hausmodels. Erfordert einige hundert bis tausende Paare aus Kleidungsstück- und Model-Fotos mit klaren Nutzungsrechten und Einwilligung zur Model-Freigabe.
Stand der Technik (2026)
- Die Qualität der Anprobe hat sich von Forschungsdemos zu produktisierten APIs und Bildbearbeitungsmodellen entwickelt, die ein Personen- und ein Kleidungsbild aufnehmen und bei einfachen Kleidungsstücken Textur, Logo und Druck ordentlich erhalten.
- Offene Forschung (CatVTON, IDM-VTON und Nachfolger) liefert brauchbare Ergebnisse bei Oberteilen und Kleidern; Benchmarks wie VITON-HD und DressCode kommen zum Einsatz, sind aber in Pose und Körpervielfalt begrenzt.
- Fehlerbilder: verzerrte Drucke und Texte, falsche Ärmel- oder Saumlänge, Verlust feiner Details (Spitze, Falten), unrealistischer Fall schwerer oder durchsichtiger Stoffe, mehrlagige Outfits, Accessoires und Schuhe, extreme Posen sowie Plus-Size- oder nicht standardisierte Körper (Verzerrungen und Qualitätslücken), veränderter Hautton oder veränderte Körperform.
- Designseite: Generative Werkzeuge sind stark in der Ideenfindung, aber schwach bei herstellbaren Schnitten; 3D-Schnittsoftware mit physikalisch basierter Stoffsimulation bleibt für Passform und Produktion nötig.
- Videoanprobe und Anprobe mit 3D-Avataren entstehen gerade, mit geringerer Zuverlässigkeit.
Gemeinsame Bausteine & Kombinationen
- Gleicher Bild-Stack wie GEN-001 (Produktbilder), GEN-011 (Retusche, Hochskalierung) und GEN-018 (Staging); ein GPU-Server (HW3) oder ein API-Vertrag kann alle bedienen.
- Lässt sich kombinieren mit: REC-012 (Größe & Passform, um die Anprobe in die richtige Größe zu überführen), PRED-034 (visuelle Trend- prognose speist die Designbriefings), GEN-008 (3D-Assets), GEN-004 (Layout für Lookbooks), GEN-026 (Porträts), ANOM-033 (Retourenanalyse zur Messung der Wirkung).
Aufwand, Kosten & Kennzahlen
- Weg A: Tage bis Wochen; typischerweise Abopreise pro Bild oder pro Artikelnummer.
- Weg B: 1–3 Monate für einen in den Shop integrierten Ablauf inkl. Prüfoberfläche; die Kosten fallen pro generiertem Bild an, plus Entwicklung.
- Weg C: 2–4 Monate; GPU-Server, ComfyUI-/diffusers-Pipeline, Lizenzprüfung, Betrieb.
- Weg D: kommt Datenerhebung, Rechteklärung und Evaluation hinzu; mehrere Monate.
- Kennzahlen: Nutzungsquote der Anprobe, Steigerung der Konversion (A/B), Retourenquote aus Passform- oder Aussehensgründen, Kosten pro Katalogbild im Vergleich zum Shooting, Zeit von der Skizze zum freigegebenen Konzept, Anteil der generierten Bilder, die bei der Prüfung abgelehnt werden, Beschwerden über falsche Darstellung.
Menschen & Veränderung
Binden Sie die Geschäftsleitung und die Leitung von E-Commerce oder Design von Anfang an ein; sie verantworten den Business Case und die Markenregeln. Die IT integriert den Shop und verwaltet Konten. Die bzw. der Datenschutzbeauftragte ist unverzichtbar, weil Kundenfotos personenbezogene Daten sind und Körperbilder sensibel sein können: Klären Sie Rechtsgrundlage (Einwilligung), AVV mit dem Anbieter, Löschung und, wo Umfang oder neue Technologie zutreffen, eine DSFA (Art. 35 DSGVO, GUIDE-005). Die Rechtsabteilung prüft Bildrechte, Model-Freigaben und KI-Kennzeichnung (Art. 50 KI-Verordnung).
Betriebsrat: abhängig. Die Anprobe für Kunden überwacht keine Beschäftigten, aber interne Design- und Content-Werkzeuge mit Protokollierung je Nutzer können unter §87 Abs. 1 Nr. 6 BetrVG fallen, und die Änderung des Arbeitsablaufs ist nach §90 Abs. 1 Nr. 3 mitzuteilen; fragen Sie einen vorhandenen Betriebsrat früh. KI-Kompetenz: Unterstützen Sie Fotografen, Designer und Shop-Personal mit einer kurzen Schulung zu Grenzen, Verzerrungen bei Körperformen und Kennzeichnung (Art. 4 KI-Verordnung, GUIDE-006). Typische Sorgen sind der Verlust von Arbeitsplätzen für Fotografen und Models sowie unrealistische Passform: Starten Sie mit einem Pilot für eine Produktkategorie, vergleichen Sie mit echten Fotos, machen Sie klar, dass die Anprobe eine Annäherung ist, und behalten Sie für Katalogbilder einen menschlichen Freigabeschritt bei (GUIDE-008, GUIDE-009).
Risiken, Regulierung & Compliance
- KI-Verordnung (AI Act): in der Regel begrenztes Risiko. Art. 50 verlangt von Anbietern die maschinenlesbare Kennzeichnung KI-generierter Bilder und von Betreibern die Offenlegung bei Deepfakes; realistische synthetische Models und bearbeitete Fotos realer Personen sollten gekennzeichnet werden. Nicht nach Art. 5 verboten und nicht hochriskant, aber die Anprobe darf nicht zur Emotionserkennung oder biometrischen Kategorisierung von Käufern genutzt werden (das Ableiten sensibler Merkmale aus Körperbildern würde unter die Bedenken zu Art. 5/Anhang III fallen). Die KI-Kompetenz (Art. 4) gilt [5][6].
- DSGVO: Kundenfotos und Daten zur Körperform sind personenbezogene Daten; Bilder können Gesundheit oder ethnische Herkunft offenbaren (besondere Kategorien, Risiko nach Art. 9). Nutzen Sie Einwilligung oder eine klare vertragliche Grundlage, Zweck- bindung, kurze Aufbewahrung (Löschung nach der Sitzung), keine Nutzung für das Modelltraining ohne Einwilligung, DSFA für die B2C-Anprobe in großem Umfang, Auftragsverarbeitungsverträge und Verarbeitung in der EU/im EWR.
- Abbildungs- und Modelrechte: Verträge mit Models müssen digitale Abbilder abdecken; synthetische Models dürfen realen Personen nicht ähneln; Urheberrecht an Designs und Trainingsdaten (Pflichten nach Art. 53 KI-Verordnung für Anbieter von Allzweckmodellen); Umgang mit Marken und Logos.
- Verbraucherrecht: Bilder dürfen nicht über Farbe, Passform oder Material täuschen (Regeln gegen unlautere Geschäftspraktiken); zeigen Sie einen Hinweis, dass die Vorschau nur der Veranschaulichung dient.
- Verzerrung und Körperbild: über Hauttöne, Größen und Altersgruppen hinweg testen; automatisches Schlankermachen vermeiden.
- Gegenmaßnahmen: menschliche Freigabe von Katalogbildern, Herkunfts-Metadaten nach C2PA/IPTC, sichtbare Kennzeichen „KI-generiert“, Abläufe mit Hochladen und Löschen, Red-Teaming gegen Missbrauch (z. B. Anprobe auf Fotos anderer Personen, nicht einvernehmliche Bilder) mit Upload-Prüfungen und Inhaltsfiltern.
Erste Schritte
- Eine Kategorie auswählen (z. B. Oberteile/Kleider) und Retourenquote sowie Fotokosten pro Artikelnummer als Ausgangswert festhalten.
- 2–3 Werkzeuge nach Weg A und eine API mit 50 eigenen Kleidungsstücken testen, darunter druckintensive; die Bildtreue bewerten.
- Den Prüfablauf und die Kennzeichnung (Metadaten plus sichtbares Kennzeichen) mit Beteiligung von Recht und Datenschutzbeauftragten festlegen.
- Die Anprobe für Käufer für eine Kategorie mit A/B-Test und einer Richtlinie zur Löschung nach der Sitzung pilotieren.
- Nur dann über B/C entscheiden, wenn Volumen, Anforderungen an die Datenhaltung oder Markenkonsistenz den Entwicklungsaufwand rechtfertigen.
Quellen
- Google Cloud — Virtual Try-On on Vertex AI — https://cloud.google.com/vertex-ai/generative-ai/docs/image/generate-virtual-try-on-images
- Black Forest Labs — FLUX repository and FLUX.1 Kontext — https://github.com/black-forest-labs/flux
- CatVTON — https://github.com/Zheng-Chong/CatVTON
- IDM-VTON — https://github.com/yisol/IDM-VTON
- Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
- AI Act Article 50 — transparency obligations — https://artificialintelligenceact.eu/article/50/
- CLO Virtual Fashion — https://www.clo3d.com/
- Browzwear — https://browzwear.com/