{"id":1146,"date":"2026-06-10T12:16:10","date_gmt":"2026-06-10T04:16:10","guid":{"rendered":"https:\/\/imgedits.net\/"},"modified":"2026-06-10T12:17:45","modified_gmt":"2026-06-10T04:17:45","slug":"understanding-ai-image","status":"publish","type":"post","link":"https:\/\/imgedits.net\/de\/post\/understanding-ai-image\/","title":{"rendered":"Understanding the Foundations of AI Image Generation"},"content":{"rendered":"

Die F\u00e4higkeit k\u00fcnstlicher Intelligenz, fotorealistische Bilder, komplexe Kunstwerke und anspruchsvolle visuelle Designs aus einfachen Texteingaben zu generieren, stellt einen der bemerkenswertesten technologischen Spr\u00fcnge des 21. Jahrhunderts dar. Jahrzehntelang waren Computergrafiken streng auf prozedurale Algorithmen, geometrische Modellierung und die manuelle Bearbeitung durch menschliche K\u00fcnstler angewiesen. Heute k\u00f6nnen generative KI-Modelle innerhalb von Sekunden v\u00f6llig neuartige visuelle Inhalte synthetisieren. Dieser Paradigmenwechsel beruht nicht auf einem magischen Verst\u00e4ndnis von Kunst, sondern auf fortschrittlichen mathematischen Rahmenbedingungen, massiver Recheninfrastruktur und einer tiefgreifenden statistischen Analyse visueller Daten. Um wirklich zu verstehen, wie KI ein Bild erzeugt, muss man \u00fcber die Benutzeroberfl\u00e4che hinausblicken und die zugrunde liegende Architektur neuronaler Netze, Repr\u00e4sentationsr\u00e4ume und probabilistischer Modellierung erforschen. Im Kern jeder generativen KI liegt das Konzept des maschinellen Lernens aus gro\u00dfen Datenmengen. Bevor ein System ein hochwertiges Bild eines \u201eGolden Retrievers, der bei Sonnenuntergang in einem Park spielt\u201c erstellen kann, muss es zun\u00e4chst Millionen oder gar Milliarden existierender Bilder und deren entsprechende Textbeschreibungen analysieren. Diese Phase wird als Training bezeichnet. W\u00e4hrend dieses Prozesses scannt ein neuronales Netzwerk \u2013 eine komplexe Rechenstruktur, die von den miteinander verbundenen Neuronen des menschlichen Gehirns inspiriert ist \u2013 den Datensatz, um Muster, Texturen, Formen und Farben zu identifizieren. Das Netzwerk lernt, spezifische Pixelanordnungen mit semantischen Konzepten zu verkn\u00fcpfen, wie etwa der flauschigen Textur von Tierfell, den reflektierenden Eigenschaften von Wasser oder den charakteristischen warmen Farbt\u00f6nen eines Abendhimmels. Im Laufe der Zeit entwickelt sich das System von der blo\u00dfen Erkennung von Objekten hin zum Verst\u00e4ndnis der statistischen Beziehungen zwischen ihnen.<\/p>\n\n\n\n

\"Ein
Ein abstraktes, farbenfrohes digitales Kunstwerk, das von AARON, einem wegweisenden KI-Kunstsystem des K\u00fcnstlers Harold Cohen, erstellt wurde und komplexe florale und geometrische Formen aufweist.<\/figcaption><\/figure>\n\n\n\n

Ein KI-Modell speichert jedoch nicht einfach eine riesige Datenbank von Bildern in seinem Speicher, um sie sp\u00e4ter zu kopieren und einzuf\u00fcgen. Ein solcher Ansatz w\u00e4re extrem ineffizient und unf\u00e4hig, wirklich originelle Kunstwerke zu erzeugen. Stattdessen zwingt der Trainingsprozess das Modell dazu, diesen riesigen Ozean visueller Informationen in ein mathematisch organisiertes Konzept zu komprimieren, das als latenter Raum (latent space) bekannt ist. Der latente Raum kann als unsichtbares, mehrdimensionales Koordinatensystem betrachtet werden, in dem \u00e4hnliche Konzepte eng beieinander gruppiert sind. In diesem verborgenen mathematischen Bereich liegt beispielsweise der Vektor, der einen \u201eHund\u201c repr\u00e4sentiert, nahe dem Vektor f\u00fcr eine \u201eKatze\u201c innerhalb eines breiteren Clusters von \u201eTieren\u201c, w\u00e4hrend die Koordinate f\u00fcr \u201eSonnenuntergang\u201c nahe bei \u201eSonnenaufgang\u201c und \u201eD\u00e4mmerung\u201c positioniert ist. Wenn ein Benutzer eine Eingabeaufforderung (Prompt) eingibt, navigiert die KI durch diesen mathematischen Raum und findet den genauen Schnittpunkt der angeforderten Konzepte, der als Blaupause f\u00fcr die Ausgabe dient.<\/p>\n\n\n\n

Die Evolution der Architektur: Von GANs zu Variations-Autoencodern<\/h2>\n\n\n\n

Um den modernen Stand der KI-Bildgenerierung zu verstehen, ist es unerl\u00e4sslich, die evolution\u00e4re Abstammung ihrer Kernarchitekturen nachzuvollziehen. Der erste Durchbruch bei der \u00fcberzeugenden Bildsynthese kam mit der Einf\u00fchrung der Generative Adversarial Networks, allgemein als GANs bezeichnet. Ein 2014 konzipiertes GAN arbeitet nach einem brillant wettbewerbsorientierten Prinzip, das zwei verschiedene neuronale Netze umfasst, die als Rivalen fungieren: den Generator und den Diskriminator. Das einzige Ziel des Generators ist es, ein Bild aus zuf\u00e4lligem mathematischem Rauschen zu erstellen, w\u00e4hrend die Rolle des Diskriminators darin besteht, dieses Bild anhand eines Datensatzes von echten, von Menschen gemachten Fotos zu bewerten und zu bestimmen, ob das generierte Bild \u201eecht\u201c oder \u201egef\u00e4lscht\u201c ist.<\/p>\n\n\n\n

\n\n\n
\n

GAN-Architektur-Ablauf<\/h3>\n \n
\n
Zuf\u00e4lliges Rauschen<\/div>\n
<\/div><\/div>\n
Generator<\/div>\n
<\/div><\/div>\n
Gef\u00e4lschtes Bild<\/div>\n <\/div>\n
<\/div>\n
\n
Diskriminator<\/div>\n
<\/div><\/div>\n
Echte Bilder<\/div>\n <\/div>\n
\n \n \ud83d\udd04 Feedback-Schleife: Echt\/Gef\u00e4lscht\n <\/span>\n <\/div>\n <\/div>\n\n \n<\/article>\n\n\n\n

Diese gegnerische Beziehung l\u00f6st eine \u00e4u\u00dferst effektive Feedback-Schleife aus. Zu Beginn erzeugt der Generator nichts weiter als inkoh\u00e4rentes Rauschen. Da der Diskriminator diese M\u00e4ngel jedoch leicht erkennt und die Ausgaben ablehnt, ist der Generator gezwungen, seine internen Parameter anzupassen, um \u00fcberzeugendere Strukturen zu schaffen. Umgekehrt muss der Diskriminator, je geschickter der Generator darin wird, die Realit\u00e4t nachzuahmen, immer ausgefeilter werden, um subtile Inkonsistenzen aufzusp\u00fcren. Dieses kontinuierliche Wettr\u00fcsten erm\u00f6glicht es GANs schlie\u00dflich, unglaublich scharfe, hochaufl\u00f6sende Gesichter und Objekte zu erzeugen. Trotz ihres Erfolgs leiden GANs unter bemerkenswerten Einschr\u00e4nkungen, wie dem \u201eMode Collapse\u201c \u2013 ein Fehlerzustand, bei dem der Generator eine einzige Ausgabe findet, die den Diskriminator t\u00e4uscht, und wiederholt exakt dasselbe Bild erzeugt, was die kreative Vielfalt stark einschr\u00e4nkt.<\/p>\n\n\n\n

Gleichzeitig erforschten Forscher eine weitere grundlegende Architektur, die als Variations-Autoencoder (VAEs) bekannt ist. Im Gegensatz zum wettbewerbsorientierten Rahmen der GANs konzentrieren sich VAEs stark auf Datenkompression und -rekonstruktion. Ein VAE besteht aus einem Encoder, der ein Eingabebild aufnimmt und es in eine hocheffiziente, niedrigdimensionale latente Repr\u00e4sentation komprimiert, die nur die wichtigsten strukturellen Merkmale erfasst. Eine zweite Komponente, der Decoder, nimmt diese komprimierte Darstellung und versucht, sie so genau wie m\u00f6glich wieder in das Originalbild zu expandieren. Durch die Regularisierung dieses komprimierten Raums stellen VAEs sicher, dass die latente Landschaft glatt und kontinuierlich ist. Das bedeutet, wenn Sie einen zuf\u00e4lligen Punkt zwischen den Koordinaten f\u00fcr einen \u201eKreis\u201c und ein \u201eQuadrat\u201c w\u00e4hlen, rendert der Decoder flie\u00dfend ein abgerundetes Quadrat. W\u00e4hrend VAEs hervorragende Stabilit\u00e4t und Vielfalt boten, litten ihre Endergebnisse oft unter einer deutlichen Unsch\u00e4rfe und konnten die scharfen, komplexen Details, die menschliche Betrachter von hochaufl\u00f6sender Kunst erwarten, nicht erfassen.<\/p>\n\n\n\n

Die moderne Superkraft: Diffusionsmodelle und die Mechanik des Rauschens<\/h2>\n\n\n\n

Die heutige Landschaft der KI-Bildgenerierung \u2013 dominiert von branchenf\u00fchrenden Systemen wie Midjourney, DALL-E und Stable Diffusion \u2013 wird von einem v\u00f6llig anderen Durchbruch angetrieben, den sogenannten Diffusionsmodellen (Diffusion Models). Inspiriert von Konzepten aus der Nichtgleichgewichtsthermodynamik haben Diffusionsmodelle die bisherigen Paradigmen der Bildsynthese v\u00f6llig auf den Kopf gestellt. Anstatt zu versuchen, ein Bild auf einmal von Grund auf neu zu erstellen, rahmen diese Modelle das Problem als einen schrittweisen Reinigungsprozess ein. Sie lernen, komplexe Grafiken zu erzeugen, indem sie die Kunst der kontrollierten Zerst\u00f6rung und systematischen Rekonstruktion beherrschen.<\/p>\n\n\n\n

Die Mechanik eines Diffusionsmodells ist in zwei Hauptphasen unterteilt: den Vorw\u00e4rts-Diffusionsprozess und den R\u00fcckw\u00e4rts-Diffusionsprozess. Im Vorw\u00e4rts-Prozess nimmt das System ein vollkommen klares Trainingsbild und f\u00fcgt \u00fcber eine Reihe von Hunderten von Schritten gezielt kleine Mengen Gau\u00dfschen Rauschens hinzu. Mit fortschreitenden Schritten verschlechtert sich die urspr\u00fcngliche Struktur des Bildes allm\u00e4hlich. Am Ende der Vorw\u00e4rtskette ist das Bild vollst\u00e4ndig ausgel\u00f6scht und in ein sinnloses Meer aus zuf\u00e4lligem Pixel-Rauschen verwandelt, das dem wei\u00dfen Rauschen eines alten Fernsehbildschirms ohne Signal \u00e4hnelt.<\/p>\n\n\n\n

\n

Diffusionsprozess<\/h3>\n\n \n
\n

Vorw\u00e4rts-Diffusion<\/h4>\n
\n
Klares Bild<\/div>\n
<\/div><\/div>\n
Teilweises Rauschen<\/div>\n
<\/div><\/div>\n
Vollst\u00e4ndiges Rauschen<\/div>\n <\/div>\n <\/div>\n\n \n
\n

R\u00fcckw\u00e4rts-Diffusion<\/h4>\n
\n
Vollst\u00e4ndiges Rauschen<\/div>\n
<\/div><\/div>\n
Entrauschungsphase<\/div>\n
<\/div><\/div>\n
Endg\u00fcltiges Bild<\/div>\n <\/div>\n <\/div>\n<\/div>\n\n\n\n

Die wahre Magie geschieht w\u00e4hrend des R\u00fcckw\u00e4rts-Diffusionsprozesses, bei dem die eigentliche Bilderzeugung stattfindet. Das neuronale Netzwerk, das normalerweise eine Architektur namens U-Net verwendet, wird darauf trainiert, ein Bild mit einem bestimmten Rauschpegel zu betrachten und genau vorherzusagen, wie viel Rauschen im vorherigen Schritt hinzugef\u00fcgt wurde. Durch das Training des Netzwerks mit Milliarden von Beispielen lernt es, dieses vorhergesagte Rauschen mit unglaublicher Genauigkeit zu subtrahieren. Wenn also ein Benutzer ein neues Bild anfordert, beginnt die KI mit einer leeren Leinwand aus reinem, zuf\u00e4lligem mathematischem Rauschen. Dann wendet sie ihr trainiertes U-Net iterativ an und entfernt Schritt f\u00fcr Schritt die Rauschschichten. Mit jeder Iteration beginnen sich vage Formen aus dem Chaos zu kristallisieren, die abstrakte Klumpen in deutliche Kanten, Texturen und schlie\u00dflich ein hochdetailliertes, koh\u00e4rentes Endbild verwandeln.<\/p>\n\n\n\n

Br\u00fcckenschlag zwischen W\u00f6rtern und Pixeln: Die Rolle des kontrastiven Sprach-Bild-Vortrainings (CLIP)<\/h2>\n\n\n\n

Obwohl Diffusionsmodelle au\u00dfergew\u00f6hnlich geschickt darin sind, zuf\u00e4lliges Rauschen in strukturierte Bilder zu verwandeln, mangelt es ihnen von Natur aus an der F\u00e4higkeit, menschliche Sprache oder geschriebenen Text zu verstehen. Um die L\u00fccke zwischen menschlicher Sprache und visuellen Pixeln zu schlie\u00dfen, verlassen sich moderne generative Systeme auf eine entscheidende \u00dcbersetzungsschicht, die am bekanntesten durch das CLIP (Contrastive Language-Image Pre-training) von OpenAI verk\u00f6rpert wird. Ohne einen Mechanismus wie CLIP w\u00fcrde ein Diffusionsmodell zwar wundersch\u00f6ne, aber zuf\u00e4llige Landschaften oder Objekte erzeugen, h\u00e4tte jedoch keine M\u00f6glichkeit zu wissen, wie diese Kreationen mit den expliziten schriftlichen Befehlen eines Benutzers in Einklang gebracht werden k\u00f6nnen.<\/p>\n\n\n\n

CLIP wird mit einem riesigen Datensatz aus Bild-Text-Paaren trainiert, die aus dem gesamten Internet stammen. Sein Hauptziel ist es, einen gemeinsamen Einbettungsraum (shared embedding space) zu erlernen, in dem eine Textbeschreibung und das entsprechende Bild genau auf denselben mathematischen Vektor abgebildet werden. Zum Beispiel werden der Satz \u201eein futuristischer Cyberpunk-Stadt-Horizont\u201c und ein digitales Gem\u00e4lde eines leuchtenden, neonfarbenen Ballungsraums auf dieselbe Koordinate innerhalb dieses mehrdimensionalen Raums gelenkt. Das Modell erreicht dies durch kontrastives Lernen, bei dem die mathematische \u00dcbereinstimmung zwischen passenden Paaren maximiert und die \u00dcbereinstimmung zwischen nicht zusammengeh\u00f6rigen Texten und Bildern aggressiv minimiert wird.<\/p>\n\n\n\n

\"Eine
Eine lebendige, KI-generierte Fantasy-Szene mit einem leuchtenden Ph\u00f6nix, der seine Fl\u00fcgel \u00fcber einem einsamen Krieger in einem mystischen Wald ausbreitet und die F\u00e4higkeiten moderner generativer KI demonstriert.<\/figcaption><\/figure>\n\n\n\n

Wenn ein Benutzer einen Prompt in einen KI-Generator eingibt, wird der Text sofort an die Text-Encoder-Komponente des CLIP-Netzwerks weitergeleitet. Dieser Encoder wandelt die Wortfolgen in einen dichten numerischen Vektor um, der die semantische Bedeutung der Anfrage verkapselt. Dieser Textvektor wird dann als steuernde Kraft in den R\u00fcckw\u00e4rts-Diffusionsprozess eingespeist, h\u00e4ufig durch einen Mechanismus namens Cross-Attention. W\u00e4hrend die U-Net-Architektur daran arbeitet, Rauschen von der anf\u00e4nglichen statischen Leinwand zu entfernen, \u00fcberpr\u00fcft sie st\u00e4ndig ihren Fortschritt anhand des CLIP-Textvektors. Die Aufmerksamkeitsmechanismen leiten den Entrauschungsprozess und stellen sicher, dass die aus der statischen Masse hervorgehenden Strukturen pr\u00e4zise mit den im Prompt des Benutzers angeforderten Konzepten, Stilen und Objekten \u00fcbereinstimmen.<\/p>\n\n\n\n

Latente Diffusion und Optimierung: Hochaufl\u00f6sung zug\u00e4nglich machen<\/h2>\n\n\n\n

In den fr\u00fchen Phasen der Entwicklung von Diffusionsmodellen waren die f\u00fcr die Erzeugung hochaufl\u00f6sender Bilder erforderlichen Rechenressourcen atemberaubend. Die Verarbeitung jedes einzelnen Pixels eines 1024\u00d71024-Bildes durch Hunderte von Schritten eines tiefen neuronalen Netzwerks erforderte enorme Mengen an VRAM und immense Rechenleistung, was es f\u00fcr Verbraucherhardware oder den breiten \u00f6ffentlichen Einsatz v\u00f6llig unpraktikabel machte. Dieser Engpass f\u00fchrte zur Erfindung von Latent Diffusion Models (LDMs), einer revolution\u00e4ren Optimierungstechnik, die das R\u00fcckgrat von Open-Source-Modellen wie Stable Diffusion bildet. Die zentrale Innovation der latenten Diffusion besteht darin, dass der gesamte Entrauschungsprozess nicht im massiven, hochdimensionalen Raum der tats\u00e4chlichen Pixel stattfindet. Stattdessen nutzt das System einen leistungsstarken Autoencoder, um das urspr\u00fcngliche Bild in einen viel kleineren, niedrigdimensionalen latenten Raum zu komprimieren, bevor eine Diffusion stattfindet. Zum Beispiel wird ein Bild, das normalerweise aus Millionen von roten, gr\u00fcnen und blauen Pixelwerten bestehen w\u00fcrde, in eine kompakte mathematische Darstellung komprimiert, die nur einen Bruchteil seiner urspr\u00fcnglichen Gr\u00f6\u00dfe ausmacht, aber dennoch alle wesentlichen semantischen und strukturellen Daten beibeh\u00e4lt.<\/p>\n\n\n\n

Sobald das Bild sicher in diesem effizienten latenten Raum verstaut ist, werden die Vorw\u00e4rts- und R\u00fcckw\u00e4rts-Diffusionsprozesse durchgef\u00fchrt. Da das neuronale Netzwerk nur eine hochgradig kondensierte mathematische Abstraktion und nicht Millionen einzelner Pixel manipuliert, sinkt der Rechenaufwand drastisch. Dies erm\u00f6glicht es dem Modell, effizient auf handels\u00fcblichen Grafikkarten f\u00fcr Privatanwender zu laufen. Sobald der R\u00fcckw\u00e4rts-Diffusionsprozess abgeschlossen ist und das Rauschen innerhalb des latenten Raums erfolgreich entfernt wurde, wird der endg\u00fcltige optimierte latente Vektor durch die Decoder-Komponente des Autoencoders geleitet. Der Decoder \u00fcbersetzt die abstrakten Zahlen zur\u00fcck in den Pixelbereich und bl\u00e4ht den kompakten Vektor sofort zu einem weitl\u00e4ufigen, scharfen und hochaufl\u00f6senden Bild auf, das der Benutzer sehen kann.<\/p>\n\n\n\n

Ethik, Realismus und die Zukunft synthetischer Medien<\/h2>\n\n\n\n

W\u00e4hrend die mathematischen und architektonischen Rahmenbedingungen der generativen k\u00fcnstlichen Intelligenz weiter reifen, l\u00f6st sich die Grenze zwischen synthetischen Medien und der echten Realit\u00e4t rasch auf. Die zugrunde liegenden Prinzipien der Diffusion, der latenten R\u00e4ume und der Cross-Attention-Text-Ausrichtung haben sich so weit entwickelt, dass KI-Modelle komplexe Lichtph\u00e4nomene wie Subsurface Scattering, Global Illumination und komplexe Tiefensch\u00e4rfe heute originalgetreu wiedergeben k\u00f6nnen. Was als eine Reihe von niedrig aufgel\u00f6sten Experimenten in akademischen Laboren begann, hat sich zu einer industriellen Revolution entwickelt, die Grafikdesign, Filmproduktion, Architektur und Videospielentwicklung ma\u00dfgeblich beeinflusst.<\/p>\n\n\n\n

Die immense Macht dieser zugrunde liegenden Prinzipien bringt jedoch auch erhebliche gesellschaftliche und ethische \u00dcberlegungen mit sich. Da diese Netzwerke lernen, indem sie statistische Muster in von Menschen erstellten Datens\u00e4tzen finden, neigen sie dazu, gesellschaftliche Vorurteile, Stereotypen oder historische Ungenauigkeiten, die in ihren Trainingsdaten vorhanden sind, aufzunehmen und zu verst\u00e4rken. Dar\u00fcber hinaus weckt die Leichtigkeit, mit der diese Modelle den R\u00fcckw\u00e4rts-Diffusionsprozess manipulieren k\u00f6nnen, um makellose, synthetische Darstellungen echter Menschen zu erzeugen, tiefe Besorgnis hinsichtlich der digitalen Authentizit\u00e4t, Fehlinformationen, geistiger Eigentumsrechte und der allgemeinen Erosion des Vertrauens in visuelle Medien. Mit Blick auf die Zukunft bewegt sich die Entwicklung der KI-Bilderzeugung weg von statischen 2D-Bildern und dehnt sich dynamisch in mehrdimensionale R\u00e4ume aus. Dieselben grundlegenden Prinzipien der Text-zu-Bild-Synthese werden derzeit angepasst, um fortschrittliche Text-zu-Video-Architekturen, automatisierte 3D-Asset-Generierung und interaktive virtuelle Umgebungen voranzutreiben. Indem Zeit und Tiefe als zus\u00e4tzliche mathematische Dimensionen innerhalb des latenten Raums behandelt werden, lernen neuronale Netze, die strukturelle und zeitliche Konsistenz \u00fcber verschiedene Frames hinweg aufrechtzuerhalten. Da die Recheneffizienz steigt und die algorithmischen Architekturen verfeinert werden, wird sich der Weg von einem einfachen Funken menschlicher Vorstellungskraft bis hin zu einer vollst\u00e4ndig realisierten, hyperrealistischen digitalen Realit\u00e4t weiter verk\u00fcrzen und die Landschaft menschlicher Kreativit\u00e4t und technologischen Ausdrucks f\u00fcr immer ver\u00e4ndern.<\/p>\n\n\n\n

<\/p>","protected":false},"excerpt":{"rendered":"

The ability of artificial intelligence to generate photorealistic imagery, intricate artwork, and complex visual designs from simple textual prompts stands as one of the most remarkable technological leaps of the twenty-first century. For decades, computer graphics relied strictly on procedural algorithms, geometric modeling, and manual manipulation by human artists. Today, generative AI models can synthesize […]<\/p>\n","protected":false},"author":1,"featured_media":1148,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_seopress_titles_title":"How Does AI Create Images? A Simple Guide to Generative Art","_seopress_titles_desc":"Curious about how AI turns text into stunning images? Learn how diffusion models, latent space, and AI \"translators\" work together to turn your prompts into reality.","_seopress_robots_index":"","_seopress_robots_follow":"","_seopress_robots_imageindex":"","_seopress_robots_snippet":"","_seopress_robots_primary_cat":"","_seopress_robots_breadcrumbs":"","_seopress_robots_freeze_modified_date":"","_seopress_robots_custom_modified_date":"","_seopress_robots_canonical":"","_seopress_social_fb_title":"","_seopress_social_fb_desc":"","_seopress_social_fb_img":"","_seopress_social_fb_img_attachment_id":0,"_seopress_social_fb_img_width":0,"_seopress_social_fb_img_height":0,"_seopress_social_twitter_title":"","_seopress_social_twitter_desc":"","_seopress_social_twitter_img":"","_seopress_social_twitter_img_attachment_id":0,"_seopress_social_twitter_img_width":0,"_seopress_social_twitter_img_height":0,"_seopress_redirections_value":"","_seopress_redirections_enabled":"","_seopress_redirections_enabled_regex":"","_seopress_redirections_logged_status":"","_seopress_redirections_param":"","_seopress_redirections_type":0,"_seopress_analysis_target_kw":"","footnotes":""},"categories":[1],"tags":[],"class_list":["post-1146","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-post"],"_links":{"self":[{"href":"https:\/\/imgedits.net\/de\/wp-json\/wp\/v2\/posts\/1146","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/imgedits.net\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/imgedits.net\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/imgedits.net\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/imgedits.net\/de\/wp-json\/wp\/v2\/comments?post=1146"}],"version-history":[{"count":4,"href":"https:\/\/imgedits.net\/de\/wp-json\/wp\/v2\/posts\/1146\/revisions"}],"predecessor-version":[{"id":1153,"href":"https:\/\/imgedits.net\/de\/wp-json\/wp\/v2\/posts\/1146\/revisions\/1153"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/imgedits.net\/de\/wp-json\/wp\/v2\/media\/1148"}],"wp:attachment":[{"href":"https:\/\/imgedits.net\/de\/wp-json\/wp\/v2\/media?parent=1146"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/imgedits.net\/de\/wp-json\/wp\/v2\/categories?post=1146"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/imgedits.net\/de\/wp-json\/wp\/v2\/tags?post=1146"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}