Ghost Mannequin mit KI (unsichtbare Puppe): Was schiefgeht und wie man es prüft

Ghost Mannequin – auch unsichtbare Puppe oder Hollow-Man-Effekt genannt – ist eine Montage, keine Einzelaufnahme. Das klassische Shooting besteht aus zwei Bildern:

1. Das Kleidungsstück auf einer Schaufensterpuppe oder Büste, frontal fotografiert.
2. Das Kleidungsstück so gedreht, dass die Innenseite des hinteren Kragens sichtbar ist, meist ohne das Halsteil der Puppe.

Ein Bildbearbeiter schneidet die Puppe aus Bild 1 aus und setzt die Innenseite aus Bild 2 in die Halsöffnung ein. Dieser Flicken ist der Nackenansatz (Neck Joint), und er ist das gesamte Handwerk dieser Technik. Alles andere ist Freistellen.

KI-Tools für Ghost Mannequin machen aus zwei Bildern eines. Sie laden ein einziges Foto hoch – am Model, auf dem Bügel, an der Büste – und das Modell soll die Trägerin entfernen und die nie fotografierte Innenseite *erfinden*. Diesen Unterschied sollte man festhalten: Die klassische Methode montiert etwas Echtes, die KI-Methode erzeugt etwas Plausibles. Die meisten Fehler weiter unten folgen daraus.

Es gibt drei Arten, ein Kleidungsstück zu fotografieren, und sie sind nicht austauschbar:

Vorlage für Mode-E-Commerce öffnen

Wenn ein Ghost-Mannequin-Ergebnis falsch aussieht, Sie aber nicht sagen können, warum, prüfen Sie diese drei Dinge der Reihe nach. Sie sind danach geordnet, wie oft sie sich als das eigentliche Problem herausstellen:

1. Die Innenseite des hinteren Kragens. Stimmt die Farbe? Gibt es einen Beleg, ein kontrastierendes Einfassband oder ein Etikett, das dort sein sollte – oder eines, das dort nicht sein sollte? Das Modell errät diesen Bereich von der Außenseite des Kleidungsstücks, daher konzentriert sich hier das Erfundene.
2. Die Schulterlinie. Ein echtes Kleidungsstück auf einer Büste hat eine Schulternaht, die leicht hervorsteht. Generierte runden sie gern ab, und genau das lässt ein Ergebnis aufgeblasen statt getragen wirken.
3. Die Tiefe der Öffnung. Eine überzeugende Halsöffnung zeigt *etwas* vom Inneren – einen Schatten, eine Andeutung des Rückenteils. Zu flach, und sie wirkt wie ein Aufkleber; zu tief, und das Kleidungsstück scheint ein Loch zu haben.

Dafür braucht man kein geschultes Auge. Man muss nur wissen, welche Stelle man zuerst ansieht – und genau das sagt einem niemand.

Die Technik funktioniert nicht im ganzen Sortiment gleich gut, und das vor dem Shooting zu wissen spart am meisten Zeit:

• Funktioniert gut – strukturierte Teile, die ihre Form halten: Blazer, Jeansjacken, Oberbekleidung, Hemden, alles mit Kragen und Beleg. Das Kleidungsstück macht die Arbeit; die KI darf es nur nicht ruinieren.

• Funktioniert mit Sorgfalt – Strick und Jersey. Sie halten genug Form, aber der Fall geht leicht verloren, und ein generiertes Ergebnis wirkt oft steifer als das echte Teil.

• Scheitert meist – Seide, Chiffon, alles Ungefütterte und Fließende; tiefe V- und Wasserfallausschnitte, bei denen der Nackenansatz keine saubere Kante hat, hinter der er sich verstecken kann; transparente Stoffe, bei denen das erfundene Innere durch die Vorderseite scheint.

Gehört eine Kategorie in die dritte Gruppe, ist Flat Lay kein Kompromiss, sondern das ehrliche Format. Eine fließende Seidenbluse auf einer starren unsichtbaren Puppe zu verkaufen, stellt das Produkt falsch dar – und das zeigt sich später als Retouren.

Vier Fehler erklären die meisten verworfenen Ergebnisse, und nur der erste ist offensichtlich:

• Die erfundene Innenseite. Das Modell hat nie in Ihren Kragen geschaut, also erzeugt es einen. Es liegt bei der Farbe öfter falsch als bei der Form.

• Durchschlagende Innenlage. Wenn das Ausgangsfoto ein Model mit Top oder T-Shirt darunter zeigt, überlebt diese Lage oft im Ergebnis – sie wirkt wie Unterwäsche, die an der Knopfleiste hervorblitzt. Das ist der häufigste Grund, eine Aufnahme sofort zu verwerfen.

• Silhouetten-Drift. Ein kastiges Teil wird unbemerkt tailliert, weil das Modell eine Vorannahme darüber hat, wie Kleidung am Körper sitzt. Das ist der teure Fehler: Er verändert genau die Passform, die der Käufer beurteilt.

• Abgeflachte Details. Die Knopfzahl ändert sich. Eine spitze Saumlasche wird zu einem geraden Saum. Taschennähte verschwinden. Zählbare Details sind dort, wo die Generierung am wenigsten zuverlässig ist – und praktischerweise dort, wo die Prüfung am einfachsten ist.

Ein Ergebnis in unter einer Minute prüfen

Die nützliche Frage ist nicht, ob es gut aussieht, sondern ob es das Produkt noch beschreibt. Zwei Messungen erfassen das meiste, und beide sind Verhältnisse zu Posen-Bezugspunkten, nie Pixelvergleiche:

• Länge – (hem_y - shoulder_y) / (hip_y - shoulder_y)

• Breite an der Brust – garment_width_at_bust / body_width_at_bust

Verhältnisse überstehen Zuschnitt und Kameraabstand. Absolute Pixelmaße nicht.

Messen Sie das Ergebnis nicht an Ihrem Ausgangsfoto. Ist die Quelle ein Kleidungsstück auf einer Büste und das Ergebnis ein Kleidungsstück in menschlicher Form, teilen beide keinen Bezugspunkt, keinen Maßstab und keine Pose. Jedes Verhältnis zwischen ihnen misst die Büste, nicht den Fehler. Vergleichen Sie mit Ihrer Größentabelle in Zentimetern – oder mit gar nichts.

Diskrete Details zählen Sie. Knöpfe, Schnallen, sichtbare Nähte, Saumaufbau – ein Bildmodell, das eine schriftliche Spezifikation liest, erkennt eine geänderte Knopfzahl zuverlässig. Es ist der Check, den die meisten überspringen, weil er zu einfach wirkt, um sich zu lohnen.

• KI-Fashion-Model-Generator – bringt ein Flat Lay an ein Model und veröffentlicht die 27-Punkte-QA-Checkliste, aus der die beiden Verhältnis-Checks dieses Beitrags stammen. Auch kein Ghost-Mannequin-Tool; es ist die Model-Hälfte desselben Listings.

• E-Commerce-Produktfoto – macht aus einem Produktfoto listingfertige Bilder. Kein Ghost-Mannequin-Generator; nützlich für die Aufnahmen drumherum.

• KI-Produktfoto-Generator – Katalogbilder nach Vorlage in SKU-Mengen, wo die Einheitlichkeit des Sets wichtiger ist als jedes Einzelbild.

• Stanzsticker-Datei und druckfertige Acryl-Dateien – das Produktionsende derselben Disziplin, falls Ihr Sortiment neben Mode auch Merch umfasst.

Wenn Sie Mode im Katalogmaßstab verkaufen, behandelt der Anwendungsfall für DTC-Marken das größere Problem der Set-Einheitlichkeit, von dem dieser Beitrag nur ein Teil ist.

Einen Ghost-Mannequin-Knopf mit einem Klick bieten wir heute nicht an. Wenn Sie deshalb hier sind, lautet die ehrliche Antwort: Ein spezialisiertes Tool hilft Ihnen im Moment mehr, und dieser Beitrag nützt Ihnen eher als Prüfmethode denn als Verkaufsargument.

Was wir haben, ist die Disziplin rund um das Ergebnis statt der Generierung selbst: messbare Abnahmekriterien, Set-Einheitlichkeit über ein ganzes Sortiment und Produktionsdateien, die eine Fabrik akzeptiert. Das stammt aus Kundenarbeit, bei der der Abnahmetest zwei Zahlen auf einem Datenblatt waren – Kleidungslänge und Brustbreite – und „sieht richtig aus“ keine Antwort war, die jemand abgezeichnet hätte.

Es ist eine schmale Nische, und das sollte man offen sagen: Die meisten KI-Modebilder werden nach Augenmaß beurteilt, und genau das Augenmaß täuscht die Silhouetten-Drift. Wenn Sie fünf Bilder pro Kleidungsstück über Hunderte von SKUs erzeugen, ist der Engpass nicht mehr der Generator, sondern die Prüfung.