Fotorestaurierung & Kolorierung

Alte Fotografien verblassen, reißen, bekommen Flecken und liegen oft nur als winzige Scans vor. Generative und diskriminative Bildmodelle können Defekte entfernen, hochskalieren und plausible Farbe ergänzen, in Minuten statt in Stunden manueller Retusche. Das Ergebnis ist eine Rekonstruktion, keine Aufzeichnung: Gesichter, Texturen und Farben sind teilweise erfunden. Archive und Verlage müssen Ergebnisse daher kennzeichnen und das Original unverändert aufbewahren.

Problem & Nutzen

• Heute: Die Restaurierung übernehmen Retuscheure in Photoshop (Kopierstempel, Reparaturpinsel, manuelle Farbebenen). Das kostet je Bild zwischen einigen zehn Minuten und vielen Stunden; Familien und kleine Archive lassen Schuhkartons voller Fotos oft ungescannt oder unrepariert liegen.
• KI-Nutzen: Stapelweises Entfernen von Staub, Kratzern und Rauschen, Super-Resolution kleiner Scans und Kolorierung per Klick liefern ein gutes Erstergebnis; ein menschlicher Retuscheur bearbeitet nur noch die schwierigen Bilder. Dadurch werden Digitalisierungsprojekte (Ortsgeschichte, Familienforschung, Museumssammlungen, Redaktionsarchive) bezahlbar, und Archivmaterial wird häufiger weiterverwendet.
• Es gibt keinen verlässlichen öffentlichen Benchmark mit Zahlen zur „eingesparten Zeit“ über mehrere Anbieter hinweg; messen Sie das an einer Stichprobe Ihres eigenen Materials.

Varianten

• Privat / Familienforschung: Familienfotos über Apps oder Web-Werkzeuge für Verbraucher; der Schutz der Privatsphäre von Verwandten ist wichtig.
• Archive, Bibliotheken, Museen (Kulturerbe): Stapelrestaurierung mit strenger Herkunftsdokumentation; oft ist nur eine nicht-destruktive Verbesserung akzeptabel, und die Kolorierung wird als Interpretation gekennzeichnet.
• Medien & Dokumentarfilme: kolorierte Standbilder und Filmbilder für redaktionelle Nutzung (Video: siehe GEN-012).
• Familienforschung und Gedenkdienste: restaurierte Porträts für Traueranzeigen, Grabsteine, Bücher.
• Kulturerbe-Wissenschaft / forensiknahe Anwendungen: als Beweismittel nicht geeignet; generierte Ergebnisse dürfen nie als Beleg für ein Aussehen verwendet werden.

So funktioniert es

1. Scan (TIFF, >=600 dpi bei Abzügen, Master unverändert belassen)
2. Analyse (Schadensmaske: Kratzer/Risse/Flecken; Gesichts- und Textbereiche erkannt)
3. Inpainting beschädigter Bereiche (Diffusions- oder GAN-Inpainting, Masken gezeichnet oder vorhergesagt)
4. Entrauschen + Schärfen + Superauflösung (Klasse Real-ESRGAN / SwinIR)
5. Gesichtsrestaurierung (optional, Identitätsrisiko)
6. Kolorierung (DDColor / diffusionsbasiert, optionale Farbhinweise aus Metadaten)
7. menschliche Prüfung gegen das Original (Gesichter, Uniformen, Flaggen, Beschilderung)
8. Export mit Bearbeitungsprotokoll + Herkunftskennzeichnung (C2PA / IPTC „digital verändert“)

• Restaurierungsmodelle: GAN- oder Diffusionsmodelle, die auf synthetischen Beschädigungen trainiert wurden. Anweisungsbasierte Bildeditoren (ein Prompt wie „remove scratches and restore, keep identity“) funktionieren als allgemeine Alternative zu spezialisierten Werkzeugen.
• Gesichtsrestaurierung: Modelle wie GFPGAN und CodeFormer nutzen Gesichts-Priors; sie schärfen Gesichter, können aber ein anderes plausibles Gesicht einsetzen. Das ist ein ernstes Problem bei identifizierbaren Vorfahren oder historischen Personen.
• Kolorierung: sagt die wahrscheinlichste Farbe aus dem Kontext voraus; bei mehrdeutigen Objekten (Kleidung, Autos, Flaggen) ist das Ergebnis eine Vermutung. Ein Vision-Language-Modell, das die Szene beschreibt, hilft, die historische Plausibilität zu prüfen.
• Mensch-in-der-Schleife (Human-in-the-Loop): mit dem Original vergleichen, Farben anhand von Dokumenten korrigieren, vor der Veröffentlichung freigeben.

Datenaufbereitung

Die Eingabe ist Bildmaterial: Abzüge, Negative, Dias und Glasplatten in Kisten, Alben oder Archivlagern, dazu bereits gescannte TIFF-/JPEG-Dateien auf Dateiablagen oder in einem DMS bzw. einer Mediendatenbank. In einem KMU oder kleinen Archiv sind das oft physische Materialien, die nie digitalisiert wurden, und gescannte Dateien mit uneinheitlichen Namen, ohne Datumsangaben und ohne Rechteinformationen.

Typische Lücken: niedrige Scanauflösung, JPEG-komprimierte Kopien statt Master, Duplikate, fehlende Metadaten (Datum, Ort, Personen), unbekanntes Urheberrecht und unklare Einwilligung der abgebildeten Personen sowie keine Trennung zwischen Original und bearbeiteter Version.

Aufbereitungsschritte: (1) mit 600 dpi oder mehr als unkomprimiertes TIFF scannen und diesen Master unverändert und schreibgeschützt aufbewahren; (2) Duplikate entfernen und Dateien mit stabilen IDs versehen; (3) minimale Metadaten und den Rechtestatus in einer Tabelle oder im DAM erfassen; (4) Hinweise der Eigentümer (Kleidungsfarben, Uniformen, Ort) ergänzen, die die Kolorierung leiten; (5) ein Namensschema für restaurierte Ableitungen und ein Bearbeitungsprotokoll vereinbaren. Werkzeuge: Flachbett- oder Buchscanner, Paperless-ngx oder ein DAM zur Ablage, ExifTool für Metadaten.

Grober Aufwandsanteil: etwa 30 bis 40 Prozent, überwiegend Scannen und Metadaten; der KI-Schritt selbst dauert pro Bild Minuten. Siehe PREP-006 zum Scannen, PREP-010 zu Metadaten und Tagging und PREP-009 zur Neuordnung von Dateiablagen.

Umsetzungswege

Welcher Weg für wen

• smb: Weg A, weil ausgereifte Restaurierungs- und Kolorierungsdienste zu Preisen pro Bild oder als kleines Abonnement existieren und der Ablauf standardisiert ist.
• enterprise: Weg B, weil Archive und Medienhäuser die Restaurierung in ihr DAM und ihren Herkunfts-Workflow einbinden müssen und Mengen verarbeiten, bei denen Werkzeuge mit Lizenz pro Nutzer teuer werden.
• developer: Weg C, weil offene Modelle (Restaurierung, Hochskalierung, Kolorierung) auf HW2 laufen und sich ohne Gebühren pro Bild in eigene Werkzeuge einbinden lassen.
• private: Weg C, weil lokale Apps wie Upscayl oder ComfyUI Familienfotos auf dem eigenen Rechner halten und pro Bild nichts kosten.
• public: Weg C, weil Museen, Archive und Kommunen oft Vergaberegeln und sensible Bestände (Personen, Opfer, Minderjährige) haben, die einen souveränen oder lokalen Betrieb begünstigen.

Weg A — Kaufen (Standardsoftware) (empfohlen für KMU)

• Verbraucher-/Prosumer-Werkzeuge: MyHeritage (Photo Enhancer, Colorize; Sitz in Israel, für EU-Nutzer gilt die DSGVO), Remini, VanceAI, Topaz Photo AI (Desktop, lokale Verarbeitung), Adobe Photoshop Neural Filters (Photo Restoration, Colorize) und Firefly, Google Fotos / Pixel-Werkzeuge für die private Nutzung, Hotpot.ai.
• Anbieter in Archivqualität / Dienstleister: spezialisierte Digitalisierungsbetriebe mit KI-gestützter Restaurierung (Verarbeitung in der EU prüfen).
• A wählen, wenn: das Volumen gering bis mittel ist und die Bilder nicht besonders sensibel sind. Für sensibles Material lokale Desktop-Werkzeuge bevorzugen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Bildbearbeitungs-APIs: anweisungsbasierte Editoren wie Black Forest Labs FLUX.1 Kontext (Deutschland; gehostete API, EU-Hosting über Partner), OpenAI-API zur Bildbearbeitung, Google Gemini-Bildbearbeitung („Nano Banana“), Stability-AI-Bilddienste, Adobe Firefly Services. Stärker bei globalen Änderungen, schwächer bei exakter Originaltreue: immer gegen das Original abgleichen.
• Super-Resolution-Endpunkte: Replicate, fal.ai oder Cloud-Marktplätze mit Hochskalierern vom Typ Real-ESRGAN/Clarity.
• Orchestrierung: n8n oder ein kleiner Warteschlangendienst: Upload → API → Prüfoberfläche → Archiv. EU-Regionen wählen und einen AVV abschließen, wenn Porträts identifizierbarer Personen verarbeitet werden.

Weg C — Selbst betreiben (Open Source)

• Modelle/Werkzeuge: Real-ESRGAN, SwinIR, GFPGAN, CodeFormer (Lizenz prüfen: einige Gewichte sind nicht für kommerzielle Nutzung freigegeben), DDColor (Kolorierung), DeOldify (älter), LaMa für Inpainting, FLUX.1 Kontext [dev] (offene Gewichte, nicht-kommerzielle Lizenz, sofern nicht lizenziert), Qwen-Image-Edit (Apache 2.0), Stable-Diffusion-/SDXL- Inpainting-Pipelines in ComfyUI; BOPBTL („Bringing Old Photos Back to Life“) für kombinierte Restaurierungsforschung.
• Stack: ComfyUI oder diffusers, eine einfache Web-Prüfoberfläche, prüfsummenbasierte Ablage der Originale.
• Hardware: HW2 (eine GPU mit 16–32 GB) reicht für Stapel-Hochskalierung/-Kolorierung; größere Diffusionseditoren laufen mit Quantisierung komfortabel auf 24 GB. Die Daten verlassen das Haus nie: am besten für kommunale Archive und Museen mit DSGVO-Bedenken.

Weg D — Eigenes Training

Lohnt sich nur für Spezialmaterial (Glasplatten, bestimmte Filmmaterialien, ein für eine Sammlung typischer Schadenstyp). Es braucht gepaarte saubere/beschädigte Beispiele, meist synthetisch erzeugt, indem saubere Scans derselben Sammlung künstlich verschlechtert werden; ein Restaurierungsmodell feintunen oder einem Bildeditor ein LoRA hinzufügen. Die Farbgenauigkeit kann steigen, wenn Referenz-Farbfotos aus derselben Epoche und Region vorliegen.

Stand der Technik (2026)

• Anweisungsbasierte Editoren (FLUX.1 Kontext, Qwen-Image-Edit, GPT-image, Gemini-Bildmodelle) leisten Restaurierung und Kolorierung inzwischen in einem Prompt mit guter Identitätserhaltung und ersetzen für viele Nutzer Ketten aus mehreren Werkzeugen.
• Spezialisierte Modelle (Real-ESRGAN, DDColor, CodeFormer) bleiben für Massenarbeit schneller, günstiger und besser kontrollierbar.
• Grenzen und Fehlerbilder: halluzinierte Details in Gesichtern, Text, Uniformen und Orden; „überglättete“ Plastikhaut; falsche oder anachronistische Farben; uneinheitliche Farben innerhalb einer Serie; Verlust von Filmkorn, das Teil des Dokuments ist; verzerrte Kolorierung von Hauttönen. PSNR-/SSIM- Werte bilden die Treue gegenüber historischen Inhalten nicht ab, daher braucht die Bewertung eine fachkundige Sichtprüfung.
• Herkunftsnachweis: C2PA Content Credentials und IPTC-Werte für den Digital-Source-Type erlauben die Kennzeichnung „mit KI bearbeitet“; die Unterstützung in Adobe-Werkzeugen und Kameras wächst.

Gemeinsame Bausteine & Kombinationen

• Derselbe Bildgenerierungs-Stack und dieselbe GPU wie bei GEN-011 (Retusche, Hochskalierung, Inpainting), GEN-020 (synthetische Daten) und GEN-026 (Porträts); Videobilder über GEN-012.
• Archiv-Pipelines: KNOW-019 (Auffinden von Kulturerbe-Sammlungen) und KNOW-016 (multimodale Suche): Restaurierung, Beschriftung mit einem VLM und Indexierung teilen sich den Digitalisierungs-Workflow.
• Segmentierung und VLM-Beschriftung helfen, Schadensmasken und beschreibende Metadaten zu erzeugen.

Aufwand, Kosten & Kennzahlen

• Weg A: Stunden; Abonnement oder Preis pro Bild-Guthaben.
• Weg B: 2–6 Wochen für einen Ablauf Eingang→Prüfung→Archiv; die Kosten pro Bild bestehen hauptsächlich aus API-Gebühren.
• Weg C: 1–2 Monate; eine GPU-Workstation plus eine betreuende Person.
• Weg D: Quartale, nur für sammlungsspezifische Anforderungen.
• Kennzahlen: Anteil der Bilder, die ohne manuelle Nacharbeit akzeptiert werden, Retuschezeit in Minuten pro Bild, von Prüfern bewertete Treue (blinder A/B-Vergleich mit dem Original), Anteil der Bilder mit Herkunftskennzeichnung, digitalisierte und veröffentlichte Bilder pro Monat.

Menschen & Veränderung

Beziehen Sie zu Beginn die Geschäftsleitung (Budget, Rechterichtlinie) und die Abteilungsleitung (Archiv, Kommunikation oder Marketing) ein, danach die IT für Speicher und Konten sowie die Endanwender, die Fotos bisher retuschieren oder katalogisieren. Ziehen Sie die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten früh hinzu, wenn Fotos identifizierbare Personen zeigen, insbesondere Minderjährige oder historische Personen mit lebenden Angehörigen; für jeden Cloud-Dienst ist ein AVV (Art. 28 DSGVO) nötig. Eine DSFA ist für das Restaurieren von Fotos normalerweise nicht erforderlich, prüfen Sie sie aber bei umfangreichen Zusatzfunktionen für Gesichtserkennung oder Tagging.

Betriebsrat: normalerweise keine Mitbestimmung, weil das Werkzeug weder Verhalten noch Leistung der Beschäftigten überwacht (§87 Abs. 1 Nr. 6 BetrVG); dennoch den Betriebsrat informieren, wenn sich Retuscheabläufe ändern (§90 Abs. 1 Nr. 3). In öffentlichen Stellen gegebenenfalls den Personalrat beteiligen.

KI-Kompetenz: Bieten Sie eine kurze Schulung dazu an, was die Restaurierung erfindet und was sie wiederherstellt, sowie zur Kennzeichnung (Art. 4 KI-Verordnung verlangt Maßnahmen zur Förderung der KI-Kompetenz). Kommunizieren Sie offen, dass die Retuscheure die Kontrolle behalten: Sie prüfen jedes Ergebnis, können die Kolorierung ablehnen und entscheiden, was veröffentlicht wird. Beginnen Sie mit einer Pilotgruppe aus zwei oder drei Personen und 50 bis 100 Bildern. Typische Sorge: „KI ersetzt den Retuscheur“. Antwort: Sie nimmt die Routinereparatur ab, damit Fachleute die schwierigen Fälle und die Qualitätskontrolle übernehmen.

Siehe GUIDE-008 zum Veränderungsmanagement, GUIDE-005 zum Datenschutz und GUIDE-006 zur KI-Kompetenz.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel begrenztes Risiko über die Transparenzpflicht nach Art. 50: Betreiber von KI-generierten oder manipulierten Bildinhalten, die ein Deepfake sind, müssen dies offenlegen; bei künstlerischen, kreativen oder satirischen Werken gilt eine leichtere Offenlegungspflicht. Anbieter generativer Systeme müssen Ausgaben maschinenlesbar kennzeichnen. Die reine Restaurierung von Bildern ohne Personen ist minimales Risiko. Die Pflichten nach Art. 50 gelten ab August 2026 (aktuellen Stand der Änderungen durch das Digital-Omnibus-Paket prüfen). Restaurierung innerhalb eines verbotenen oder hochriskanten Systems (z. B. Identifizierung) liegt hier außerhalb des Betrachtungsrahmens.
• DSGVO: Fotos identifizierbarer lebender Personen sind personenbezogene Daten; Verstorbene fallen nicht unter die DSGVO, aber nationales Recht und Persönlichkeitsrechte (postmortaler Schutz) können greifen. Genealogie-Seiten verarbeiten üblicherweise Gesichter Dritter: einen AVV abschließen, EU-Hosting nutzen und Anbieter meiden, die mit Uploads trainieren. Gesichtsrestaurierung ist keine biometrische Identifizierung, kombinieren Sie sie aber nicht mit Gesichtsabgleich.
• Urheberrecht: Restaurierung begründet oder überträgt keine Rechte; prüfen Sie die Rechte der Fotografin bzw. des Fotografen (in der EU in der Regel Lebenszeit + 70 Jahre; einfache Lichtbilder können nach nationalem Recht kürzer geschützt sein) und die Lizenz der verwendeten Modellgewichte.
• Integrität/Desinformation: kolorierte oder „verbesserte“ Bilder können für authentische Dokumente gehalten werden. Gegenmaßnahmen: sichtbare Kennzeichnung, aufbewahrte Originale, Bearbeitungsprotokolle und eine Regel, dass restaurierte Bilder nie als Beweis dienen.
• Gegenmaßnahmen: Master-Scans unveränderlich halten, Ausgaben kennzeichnen, Gesichter und Symbole prüfen, Anbieter meiden, die mit Uploads trainieren.

Erste Schritte

1. Ein Pilotset (50 Fotos) in geeigneter Auflösung digitalisieren; unberührte Master mit Prüfsummen ablegen.
2. Jedes Bild durch ein Werkzeug aus Weg A und eine Open-Source-Kette (Real-ESRGAN + DDColor) schicken; nebeneinander vergleichen.
3. Eine Richtlinie festlegen: was verändert werden darf (Staub, Farbe) und was nicht (Gesichter, Text, Symbole), und den Wortlaut der Kennzeichnung.
4. Im Exportschritt Herkunftsmetadaten ergänzen (IPTC Digital Source Type / C2PA).
5. Eingesparte Retuschezeit und Akzeptanzquote messen; erst dann skalieren oder selbst betreiben.

Quellen

1. Regulation (EU) 2024/1689 (AI Act), Art. 50 — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
2. Real-ESRGAN — https://github.com/xinntao/Real-ESRGAN
3. DDColor (ICCV 2023) — https://github.com/piddnad/DDColor
4. CodeFormer — https://github.com/sczhou/CodeFormer
5. Black Forest Labs, FLUX.1 Kontext — https://bfl.ai/models/flux-kontext
6. Wan et al., "Bringing Old Photos Back to Life" — https://github.com/microsoft/Bringing-Old-Photos-Back-to-Life
7. C2PA specification — https://c2pa.org/specifications/specifications/2.1/index.html
8. Adobe, Photoshop Neural Filters (Photo Restoration, Colorize) — https://helpx.adobe.com/photoshop/using/neural-filters.html
9. GDPR, Regulation (EU) 2016/679 — https://eur-lex.europa.eu/eli/reg/2016/679/oj