Farbe ist die Dimension der Genauigkeit, für die es die meisten Ausreden gibt. Bildschirme unterscheiden sich, Lichtverhältnisse variieren, Farbchargen weichen ab. Alles richtig – ändert aber nichts daran, dass Kunden, die Marineblau bestellt und Schwarz erhalten haben, den Artikel zurückschicken.
Dies ist ein Leitfaden zur Messung der Farbtreue in generierten Produktbildern. Er veröffentlicht keine vordefinierten Testergebnisse.
Wie misst man die Farbgenauigkeit bei KI-Produktbildern?
Unter kontrolliertem Farbmanagement – sRGB-Referenzen, ein kalibrierter Monitor, dieselben Betrachtungsbedingungen – erfassen Sie den Durchschnitt von fünf mal fünf Pixeln aus drei vorab festgelegten, ebenen Bereichen auf Referenz und Ausgabe. Vergleichen Sie die Werte in einem wahrnehmungsbezogenen Farbraum wie Lab, beurteilen Sie die Oberflächenbeschaffenheit nach Augenmaß bei 100 %, testen Sie zwei benachbarte Farbtöne aus Ihrem eigenen Sortiment darauf, ob sie unterscheidbar bleiben, und wiederholen Sie das Ganze auf einem zweiten Hintergrund. Legen Sie die Toleranz fest, bevor Sie mit dem Test beginnen.
Was bedeutet Farbtreue?
Farbtreue bei einem generierten Produktbild umfasst drei Aspekte, die häufig unter einem Begriff zusammengefasst werden: Farbton (dieselbe Farbfamilie – Marineblau, nicht Schwarz), Sättigung und Helligkeit (der richtige Farbton in der passenden Intensität und Helligkeit) sowie das Oberflächenverhalten (ob Seidenmatt weiterhin als Seidenmatt wahrgenommen wird und ein Metallic-Effekt entlang der Form changiert). Ein Pixel, dessen Farbwert zwar übereinstimmt, dessen Oberflächenwirkung jedoch verloren gegangen ist, stellt dennoch einen Farbfehler dar. Deshalb beweist das Auslesen eines einzelnen Pixels nichts.
Unterscheiden Sie die drei Dimensionen von „Farbe“
- Farbton (Hue) – Gehört es zur selben Farbfamilie? Marineblau statt Schwarz, Bordeauxrot statt Braun. Hier entstehen die Retouren.
- Sättigung und Helligkeit (Saturation & Value) – Der richtige Farbton bei falscher Intensität oder Helligkeit. Eine verblasste Version der eigentlichen Farbe.
- Oberflächenverhalten (Finish) – Wie die Oberfläche auf Licht reagiert: Wirkt Satin wie Satin? Zeigt ein Metallic-Effekt noch den typischen Lichtverlauf entlang der Form? Eine flache Darstellung eines changierenden Stoffes ist ein Farbfehler – selbst wenn ein einzelner gemessener Pixel exakt übereinstimmt.
Die meisten Tools schneiden beim Farbton am besten und beim Oberflächenverhalten am schlechtesten ab. Genau deshalb führt das bloße Auslesen eines einzelnen Pixels in die Irre.
Farbton, Intensität, Oberflächenfinish
Drei separate Auswertungen statt eines einzigen Werts. Die meisten Tools sind beim Farbton am stärksten und beim Verhalten des Oberflächenfinishs am schwächsten. Ein Durchschnittswert würde genau diese Schwachstelle verschleiern – und genau sie entscheidet darüber, ob ein Metallic-Effekt wie einfache Farbe aussieht.
Die Teststichprobe zusammenstellen
Folgen Sie dem allgemeinen Genauigkeitsleitfaden bezüglich Stichprobengröße und Referenzbildern. Legen Sie den Schwerpunkt anschließend gezielt auf die Farben, die in der Praxis tatsächlich scheitern:
- Fast-Neutraltöne – Marineblau, Anthrazit, Off-White, Taupe. Die schwierigsten Nuancen mit der höchsten Retourenquote.
- Gesättigte Rot- und Orangetöne, die in vielen Pipelines zum Übersteuern (Clipping) neigen.
- Metallic- und Perlmutteffekte, bei denen das Oberflächenverhalten das entscheidende Merkmal ist.
- Zwei Produkte in benachbarten Farbtönen aus Ihrem eigenen Sortiment, um zu testen, ob das Tool die Nuancen unterscheidbar hält.
- Ein Produkt, fotografiert vor weißem und vor mittelgrauem Hintergrund, um Farbverschiebungen durch das Umfeld aufzudecken.
Bringen Sie Ihr Farbmanagement in Ordnung, bevor Sie beginnen. Referenzfotos in sRGB, ein kalibrierter Monitor, identische Betrachtungsbedingungen bei jedem Vergleich. Andernfalls messen Sie lediglich die Abweichungen Ihres Bildschirms. Etsy verlangt beispielsweise sRGB und konvertiert beim Upload; Walmart spezifiziert RGB.
Der Ablauf
- Farbton per Pipette messen, nicht nach Augenmaß beurteilen. Ermitteln Sie den Durchschnittswert eines 5x5-Pixel-Bereichs an drei vorab festgelegten, ebenen Stellen jedes Produkts – keine Kanten, keine Glanzlichter, keine Schatten. Notieren Sie die Werte für Referenz und Ausgabe.
- Berechnen Sie den Unterschied im wahrnehmungsbezogenen Farbraum. Der reine RGB-Abstand entspricht nicht dem menschlichen Sehempfinden; konvertieren Sie in Lab und vergleichen Sie dort. Falls das nicht möglich ist, erfassen Sie die Rohwerte und vergleichen Sie diese einheitlich, statt spontane Schwellenwerte festzulegen.
- Oberflächenverhalten nach Augenmaß bei 100 % beurteilen. Verläuft der metallische Glanz noch entlang der Produktform? Zeigt der Satin noch den typischen Glanzverlauf? Klassifizieren Sie als erhalten oder verflacht.
- Das Farbpaar testen. Generieren Sie beide ähnlichen Farbtöne und prüfen Sie, ob Ihre Kunden sie weiterhin klar unterscheiden können. Wenn sie zu einer einzigen Farbe verschmelzen, ist das ein Fehler, den kein Einzelprodukttest aufgedeckt hätte.
- Auf dem zweiten Hintergrund wiederholen. Eine Farbe, die sich mit dem Hintergrund verändert, wird nicht präzise reproduziert – sie wird vom Modell lediglich interpretiert.
Ergebnisse richtig interpretieren
Definieren Sie Ihre Toleranzgrenzen vor dem Test und halten Sie sie schriftlich fest. Wer erst im Nachhinein festlegt, was als „nah genug“ gilt, bestätigt am Ende nur die eigenen Wunschergebnisse.
Gewichten Sie Fast-Neutraltöne stärker als stark gesättigte Farben. Genau hier geht das meiste Geld durch Retouren verloren – und hier liegen die größten Hürden.
Eine Pixelübereinstimmung bei verflachter Textur bleibt ein Fehler. Erfassen Sie beide Werte separat, damit ein Durchschnittswert das Problem nicht verschleiert.
Keine nachträgliche Retusche vor der Bewertung. Wenn Sie das generierte Bild manuell anpassen und erst die korrigierte Version bewerten, messen Sie Ihre Bildbearbeitung, nicht das Tool.
Checkliste für Farbgenauigkeit
| Was | Wie | So sieht ein Fehler aus |
|---|---|---|
| Farbmanagement | sRGB-Referenzen, kalibrierter Monitor, identische Betrachtungsbedingungen | Sie messen Ihren Bildschirm statt des Tools |
| Farbton | Mittelwert über fünf mal fünf Pixel aus drei homogenen Bereichen; Abgleich in Lab | Marineblau wird als Schwarz ausgegeben |
| Sättigung und Helligkeit | Dieselben Messpunkte, ausgewertet nach Intensität und Helligkeit | Eine verwaschene Version der richtigen Farbe |
| Oberflächenoptik | Nach Augenmaß bei 100 %: Bleiben Glanz oder metallische Effekte erhalten? | Eine flache Darstellung eines changierenden Stoffs |
| Benachbarte Farbtöne | Erzeugen Sie zwei nah beieinanderliegende Nuancen aus Ihrem Sortiment | Beide Farbtöne verschmelzen zu einer einzigen Farbe |
| Zweiter Hintergrund | Wiederholen auf Weiß und Mittelgrau | Eine Farbe, die sich mit dem Hintergrund verändert, wird hineininterpretiert, nicht reproduziert |
Navy und Anthrazit
Zwei Hosen aus derselben Produktlinie, eine in Navy und eine in Anthrazit. Bei Messungen an jeweils drei ebenen Stellen liegt das Ergebnis für Navy innerhalb der vorab definierten Toleranz – das für Anthrazit ebenfalls. Werden beide jedoch direkt nebeneinander gerendert, wirken sie wie ein einziger Farbton. Keiner der beiden Einzeltests hat einen Fehler gemeldet. Der Paar-Test hingegen schon – und genau diesen führt die Kundschaft durch, sobald das Paket eintrifft.
Häufig gestellte Fragen
Warum sind Fast-Neutraltöne die schwierigsten Farben für KI-Produktbilder?
Navy, Charcoal, Off-White und Taupe liegen nah beieinander sowie an Schwarz und Weiß, sodass eine kleine Verschiebung von Farbton oder Helligkeitswert sie in eine andere Farbbezeichnung überführt. Sie sind aus demselben Grund die am häufigsten retournierten Farben, weshalb die Stichprobe sie stark gewichtet.
Reicht ein übereinstimmender Pixelwert aus, um die Farbe als korrekt zu bezeichnen?
Nein. Ein gemessener Pixel kann übereinstimmen, während das Finish verflacht ist – ein Satin ohne seinen Glanzverlauf, ein Metallic, das sich nicht mehr über die Form bewegt. Farbton und Finish-Verhalten werden separat ausgewiesen, damit ein Durchschnitt das zweite nicht überdecken kann.
Warum sollte man im Lab- statt im RGB-Farbraum vergleichen?
Der RGB-Abstand entspricht nicht der menschlichen Farbwahrnehmung. Konvertieren Sie vor dem Vergleich in einen wahrnehmungsbasierten Farbraum wie Lab; falls dieser nicht verfügbar ist, erfassen Sie die Rohwerte und vergleichen Sie diese einheitlich, anstatt einen Schwellenwert zu erfinden.
Warum sollte der Test auf einem zweiten Hintergrund wiederholt werden?
Eine Farbe, die sich ändert, wenn sich der Hintergrund ändert, wird nicht anhand der Referenz reproduziert, sondern aus der Umgebung abgeleitet. Weiß und Mittelgrau decken dies auf.
Kann ich die Farbe korrigieren und das korrigierte Bild bewerten?
Nein. Wenn Sie die Ausgabe anpassen und die korrigierte Version bewerten, haben Sie Ihre Retusche gemessen, nicht das Tool. Legen Sie die Toleranz vor dem Durchlauf fest und bewerten Sie das, was das Tool erzeugt hat.
Was dieser Leitfaden nicht abdeckt
Er misst die Farbtreue im Vergleich zu einer Referenz unter kontrollierten Bedingungen. Er sagt Ihnen nicht, wie die Farbe auf dem unkalibrierten Smartphone eines Kunden bei Tageslicht wirkt – das ist ein reales, separates Thema, das kein Test für KI-Bilder lösen kann.
Verwandte Leitfäden: Bildgenauigkeit ganzheitlich messen, Produktgeometrie, Texturerhalt.
Um die Bilder zu erstellen, die Sie testen möchten, nutzen Sie AI product photography.