Wenn Video-KI die Tiefe eines Bildes nicht versteht

Die geplante Szene war eigentlich einfach zu erklären: Am Ende eines langen, dunklen Flurs liegt ein blau gekacheltes Bad. Dort sollte zunächst nur der Kopf einer unheimlichen Frau zu sehen sein. Sie zieht sich kurz zurück, kommt vollständig durch die Badezimmertür, überschreitet die Schwelle und krabbelt anschließend durch den Flur auf die Kamera zu.

Für einen Menschen ergibt diese Bewegung sofort Sinn. Das Bad liegt hinten. Die Türöffnung verbindet zwei Räume. Wer aus dem Bad kommt, muss zuerst die Schwelle überqueren und wird auf dem Weg zur Kamera allmählich größer.

Das Videomodell sah dagegen ein zweidimensionales Bild mit Türen, Wänden, Teppich und einer weit entfernten Figur. Es konnte daraus eine überzeugende Bewegung erzeugen, verstand aber nicht zuverlässig, wo genau die Figur im Raum begann und welchen Weg sie nehmen sollte. Sie kam aus dem Boden, löste sich aus einer Wand oder erschien an einer Stelle im Flur, die mit dem Bad nichts mehr zu tun hatte.

Das Modell erkannte einen Flur und eine gruselige Figur. Die räumliche Beziehung zwischen Bad, Türschwelle und Weg zur Kamera blieb trotzdem unverbindlich.

Ein starkes Startbild löst nicht jedes räumliche Problem

Das Startbild war bewusst eindeutig aufgebaut. Die Kamera blickt zentral durch den langen Flur. Das Bad am absoluten Ende ist blau beleuchtet. Nur ein Teil des Kopfes schaut hinter dem Türrahmen hervor. Perspektive und Fluchtpunkt sind klar sichtbar.

Im Prompt wurde der gewünschte Ablauf zusätzlich beschrieben: Der Kopf sollte sich zunächst in das Bad zurückziehen. Danach sollte die vollständige Figur sichtbar durch dieselbe Tür kommen, die geflieste Schwelle überschreiten und erst anschließend über den Teppich zur Kamera krabbeln. Ein Austritt aus Wand, Decke, Seitentür oder Boden wurde ausdrücklich ausgeschlossen.

Das Ergebnis zeigt die Grenze sehr anschaulich. Atmosphäre, Licht und Kreatur funktionieren. Auch die Annäherung an die Kamera wirkt bedrohlich. Der entscheidende räumliche Übergang findet jedoch nicht glaubwürdig statt. Zwischen „Figur im Bad“ und „Figur im Flur“ erzeugt das Modell eine visuell plausible Abkürzung, die der Geometrie des Raums widerspricht.

Der wichtigste Teil des Prompts lautete:

The creature is located exclusively inside the blue-tiled bathroom at the absolute far end of the hallway in the first frame. The bathroom door frame hides part of its head.

It first pulls its head back into the bathroom, then the full creature exits through that same doorway and visibly crosses the tiled bathroom threshold before touching the hallway carpet.

Do not let the creature emerge from the floor, a wall, the ceiling, a side door or any surface in the middle of the hallway. No teleporting, floating or dissolves. Preserve the hallway geometry and the camera position.

Der Text war also nicht ungenau. Das Problem lag tiefer: Die gewünschte Handlung setzte ein stabiles räumliches Modell der Szene voraus.

Vier Bildanker waren noch keine Wegbeschreibung

Für den nächsten Versuch bekam Seedance vier geordnete Bilder:

• den Kopf im hinteren Bad
• das sichtbare Überschreiten der Türschwelle
• die Krabbelpose auf halber Flurlänge
• den extremen Gesichts-Close-up als Jumpscare

Die Idee ähnelte einem Storyboard: Wenn Anfang, Schwelle, Mitte und Ende gezeigt werden, müsste das Modell den Weg dazwischen nur noch verbinden. Genau das geschah aber nicht zuverlässig. Die Bilder definierten einzelne Zustände, nicht die dreidimensionale Route durch den Flur.

Das ist ein wichtiger Unterschied. Ein Keyframe kann sehr genau zeigen, wie eine Figur an einem bestimmten Punkt aussehen soll. Er enthält aber keine harte Information darüber, dass die Tür eine Öffnung in einen dahinterliegenden Raum ist und dass die Figur diese Öffnung physisch passieren muss. Das Modell durfte weiterhin einen möglichst wahrscheinlichen Übergang zwischen Bildern erfinden.

Die verbindlich formulierte Vorgabe lautete:

Use the four supplied image anchors in this exact chronological order:
1. head inside the bathroom at the far end,
2. body visibly crossing the tiled bathroom threshold,
3. crawling pose halfway down the carpeted hallway,
4. final extreme facial close-up.

The creature must travel continuously through the doorway and along the floor. Wall, ceiling, side-door or floor emergence and teleportation are explicitly forbidden.

Trotzdem blieb die räumliche Kontinuität der schwächste Teil. Mehr Referenzen erhöhten hier die Kontrolle über das Aussehen, aber nicht im gleichen Maß über den tatsächlich zurückgelegten Weg.

Warum der Flur besonders schwierig war

Mehrere Anforderungen kamen in dieser Szene zusammen:

• Die Figur begann sehr klein im weit entfernten Hintergrund.
• Ein Türrahmen verdeckte absichtlich einen Teil ihres Körpers.
• Sie sollte erst hinter der Tür verschwinden und danach vollständig hervorkommen.
• Der Wechsel von Fliesen auf Teppich musste sichtbar und räumlich korrekt sein.
• Ihre Größe im Bild sollte während der Annäherung stark zunehmen.
• Körper, Nachthemd, lange Gliedmaßen und Gesicht mussten dabei konsistent bleiben.
• Innerhalb von acht Sekunden sollte die Bewegung bis zum extremen Close-up führen.

Jede einzelne Anforderung ist für ein Videomodell lösbar. Ihre Verbindung verlangt jedoch nicht nur Bildästhetik, sondern stabile Szenengeometrie, Verdeckung, Tiefenverständnis und eine kontinuierliche Bewegung durch mehrere Ebenen des Bildes.

Schon die ersten sechs dokumentierten Varianten kosteten zusammen 48 Credits. Der Preis einzelner Versuche war mit Seedance 2.0 Mini niedrig. Die Summe entstand durch die Wiederholungen – und durch die Hoffnung, dass eine noch deutlichere Formulierung oder ein weiterer Bildanker das Grundproblem lösen würde.

Nicht weiter gegen den Fehler prompten

Am Ende änderte ich nicht noch einmal die Formulierung derselben Idee, sondern die Inszenierung. Die Figur musste nicht mehr unsichtbar aus einem Raum hinter einer kleinen Tür kommen. Stattdessen hing sie von Anfang an weiter vorne an der Decke des Flurs.

Damit war die räumliche Aufgabe wesentlich einfacher. Die Figur war bereits vollständig vorhanden und musste sich nur lösen, auf den Boden fallen und anschließend zur Kamera krabbeln. Gleichzeitig wurde der Clip sogar wirkungsvoller: Beim ersten Blick fällt die Kreatur kaum auf. Wer sie entdeckt, versteht die Bedrohung sofort. Das Herabfallen von der Decke erzeugt einen klaren Überraschungsmoment.

Aus einem technischen Kompromiss wurde so die bessere Regieidee. Das ursprüngliche Ziel – eine Frau kommt aus dem Bad – wurde nicht erreicht. Der Clip funktionierte erst, als ich akzeptierte, dass diese konkrete räumliche Bewegung mit den Versuchen nicht zuverlässig herzustellen war.

Was ich daraus mitnehme

• Ein perspektivisch klares Bild ist noch kein garantiertes 3D-Modell. Das Videomodell kann Tiefe überzeugend darstellen, ohne alle räumlichen Beziehungen stabil zu verfolgen.
• Ausschlüsse verhindern einen Fehler nicht sicher. „Nicht aus der Wand“ beschreibt, was unerwünscht ist, liefert aber noch keinen technisch verbindlichen Bewegungspfad.
• Mehr Keyframes kontrollieren Zustände besser als Wege. Sie zeigen wichtige Momente, erzwingen jedoch keine physikalisch korrekte Verbindung.
• Verdeckung erhöht das Risiko. Sobald eine Figur hinter einem Türrahmen verschwindet, muss das Modell unsichtbare Körperteile und den Raum dahinter selbst ergänzen.
• Eine neue Inszenierung kann besser sein als die nächste Generierung. Die Deckenlösung vereinfachte die Aufgabe und verstärkte gleichzeitig den Horroreffekt.

Video-KI kann räumlich beeindruckende Kamerafahrten und Bewegungen erzeugen. Dieses Beispiel zeigt aber, warum ich ein überzeugendes Einzelbild nicht mit einem vollständig verstandenen Raum gleichsetzen darf. Manchmal ist der beste nächste Prompt keine präzisere Beschreibung desselben Weges, sondern eine andere Idee, die besser zu den Fähigkeiten des Modells passt.