MidJourney vs. DALL-E 3: Direkter Kopf-an-Kopf-Kampf

Keine glücklichen kleinen Unfälle mehr

Die Technologie zur KI-Bilderzeugung verbessert sich so schnell, dass die Qualität und die möglichen Funktionen in nur wenigen Wochen oder Monaten völlig anders sein können. DALL-E 3 bringt einen Technologiesprung, aber wie schlägt es sich im Vergleich zu MidJourney?

Was ist das Besondere an DALL-E 3?

Wir haben die Entwicklung und die Fähigkeiten von MidJourney bereits ausführlich behandelt und bisher war es der Bildgenerator der Wahl für die beste künstlerische Ausgabe, die für den tatsächlichen Gebrauch geeignet ist. Allerdings kann es eine äußerst schwierige Angelegenheit sein, dem in MidJourney generierten Bild nahe zu kommen, was Sie eigentlich wollten. Wenn Sie eine präzise Steuerung wünschen, müssen Sie auf Stable Diffusion und einen seiner vielen Mods wie ControlNet zurückgreifen. Stable Diffusion ist jedoch deutlich schwieriger zu verwenden und sowohl MidJourney als auch DALL-E 3 sind hinsichtlich der Benutzerfreundlichkeit überlegen.

DALL-E verspricht, sich viel genauer an den Wortlaut Ihrer Aufforderung zu halten. Mit anderen Worten: Wenn Sie nach bestimmten Figurenposen, Details in der Szene oder der Anordnung von Objekten in der Szene fragen, sollte Ihnen DALL-E 3 theoretisch das geben, wonach Sie gefragt haben. Wir werden DALL-E 3 und MidJourney anhand mehrerer Eingabeaufforderungen vergleichen. Die gleiche Eingabeaufforderung wird an jeden KI-Generator gesendet.

Eingabeaufforderung 1: Künstlerisches Flair

Zunächst möchte ich nur ein allgemeines Gefühl dafür bekommen, was jeder Generator künstlerisch bewirken wird, also beginnen wir mit einer eher allgemeinen Eingabeaufforderung:

Generate an image of an epic fantasy scene with elves and dragons in a 90s fantasy art style

Hier ist das MidJourney-Bild, das ich für das beste hielt.

Und hier ist das DALL-E 3-Bild, das ich für das beste hielt.

Interessant ist hier, dass ChatGPT (in diesem Fall das Frontend für DALL-E 3) meine genaue Eingabeaufforderung nicht an den Bildgenerator weiterleitet. Ein Hauptverkaufsargument für DALL-E 3 besteht darin, dass es ChatGPT (d. h. GPT-4) nutzt, um Ihre Idee aufzunehmen und den „prompten Engineering“-Teil der Arbeit für Sie zu erledigen. Dadurch werden viel detailliertere Eingabeaufforderungen erstellt, um bessere Ergebnisse zu erzielen. Hier ist die Eingabeaufforderung, die ChatGPT basierend auf meiner Anfrage erstellt hat:

Oil painting reminiscent of 90s fantasy artwork, showcasing a group of elves, both male and female, standing on a cliff's edge. In the background, colossal dragons soar, their wings casting shadows over a lush forest below. The scene is filled with vibrant colors and dramatic lighting.

Dies stellt beim Vergleich der beiden Bildgeneratoren eine besondere Herausforderung dar, da GPT die Qualität der Eingabeaufforderung erhöht. Um es fair zu halten, habe ich die von GPT generierte Eingabeaufforderung in MidJourney eingespeist und das ist das Ergebnis.

Jetzt haben wir etwas viel Vergleichbares. Doch wer gewinnt? In diesem Fall bin ich der Meinung, dass das DALL-E 3-Bild eher meinen Vorstellungen entspricht, während das MidJourney-Bild einen ausgeprägteren Stil und mehr künstlerisches Flair hat. Meiner Meinung nach zeichnet sich das aktuelle V5-Modell von MidJourney durch ein insgesamt künstlerisches Flair aus, aber das ist natürlich höchst subjektiv.

Für den Rest der Vergleiche werde ich nur die GPT-generierten Eingabeaufforderungen für beide Bildgeneratoren verwenden, um meine Fähigkeiten (oder deren Mangel) bei der Erstellung von Eingabeaufforderungen auszugleichen. Mit anderen Worten, ich frage ChatGPT zuerst nach dem Bild und kopiere dann das beste Bild, das es generiert, und füge es als Eingabeaufforderung in MidJourney ein.

Eingabeaufforderung 2: Textelemente

Sie haben vielleicht bemerkt, dass MidJourney dazu neigt, Kauderwelsch zu erzeugen, wenn ein generiertes Bild Text enthält. Das liegt daran, dass Dinge erzeugt werden, die wie Buchstaben aussehen, aber keine echten Buchstaben sind. T-Shirts mit Text oder Ladenschilder haben also keinen sinnvollen Text. DALL-E 3 verspricht, jeden beliebigen Text zu erstellen und ihn korrekt im Rahmen zu platzieren, also testen wir das. Hier ist die Eingabeaufforderung, die ChatGPT erstellt hat:

Drawing reminiscent of newspaper comic strips, featuring a computer geek deeply engrossed in his coding work. His T-shirt stands out with the bold statement 'How-To Geek Is Awesome'. The scene is set in a cozy corner with tech posters and sticky notes on the wall.

Hier ist das Ergebnis von DALL-E 3.

Und hier ist das Ergebnis von MidJourney.

Die Ausgabe von MidJourmey ist zwar sehr ansprechend für das Auge, entspricht aber überhaupt nicht unseren Erwartungen, weshalb DALL-E 3 hier die Nase vorn hat. Allerdings enthält das Bild immer noch jede Menge unsinnigen Text. In meinen Tests funktioniert DALL-E großartig, wenn Sie den gesamten Text im Bild angeben oder es keinen anderen Text gibt als den, den Sie angefordert haben. Wenn das Bild jedoch nicht spezifizierten Text enthält, ist es Unsinn, genau wie bei MidJourney.

Eingabeaufforderung 3: Eine Szene einrichten

Der letzte Test, den ich ausführen möchte, besteht darin, eine Szene festzulegen, in der ich die Position aller Hauptelemente spezifiziere.

Illustration of a cyberpunk cityscape reminiscent of Blade Runner aesthetics. A cyborg woman with glowing eyes and cybernetic limbs stands on the left, holding a shiny apple. Opposite her, on the right, a robot vendor with a worn-out exterior smokes a cigar, surrounded by an array of exotic fruits. The street is bustling with activity, with drones flying overhead and neon signs illuminating the scene.

Hier ist das Ergebnis von DALL-E 3.

Und hier sind alle vier Versuche von MidJourney.

Auch hier zeichnet sich MidJourney durch künstlerisches Gespür aus, erfüllt jedoch überhaupt nicht das, was ich in der Aufforderung verlangt habe.

Während Sie dasselbe Bild in DALL-E 3 in verschiedenen Stilen wiederholen können, wird MidJourney auch mit noch so viel Überredung nicht dazu gebracht, die von Ihnen gewünschten spezifischen Elemente und Platzierungen konsistent zu reproduzieren. Hier ist das gleiche Bild, aber ich habe mir von DALL-E 3 einen surrealeren und traumhafteren Stil gewünscht.

DALL-E 3 ist nicht perfekt

Bevor Sie sich entscheiden, MidJourney für DALL-E 3 aufzugeben, gibt es einige wichtige Einschränkungen, auf die ich beim Testen von DALL-E 3 gestoßen bin und die Sie kennen sollten:

• ChatGPT weigert sich, Bilder von urheberrechtlich geschützten Charakteren zu erstellen, während MidJourney gerne Fankunst bestehender Charaktere produziert.
• ChatGPT lässt Sie auch nicht nach dem Kunststil eines lebenden Künstlers fragen, während Sie dies mit MidJourney immer noch tun können.
• Beide Plattformen werden keine Kunst generieren, die bestimmte Grenzen überschreitet, wenn es um Inhalte für Erwachsene geht, die gewalttätiger oder sexueller Natur sind. MidJourney verfügt jedoch über ein einfaches Einspruchsverfahren für Fehlalarme, während ChatGPT einiges an Überzeugungsarbeit erfordert, da es auf den ersten Blick viel ausgefeilter ist.

Meine Zeit mit dem Tool war begrenzt und sowohl DALL-E 3 als auch MidJourney erhalten ständig neue Optimierungen und Funktionen, aber das waren die offensichtlichsten Einschränkungen, die die meisten Leute interessieren dürften.

Das Urteil

Es ist ziemlich schwierig, hier einen absoluten Gewinner zu nennen, aber aus heutiger Sicht ist MidJourney das richtige Werkzeug, wenn Sie Ausdruckskraft und künstlerisches Flair bei Ihren Generierungen wünschen. Im Gegensatz dazu ist DALL-E 3 bei weitem das bessere Werkzeug, wenn Sie konsistente Grafiken erstellen möchten, die genau Ihren Anforderungen für Illustrationen oder andere professionelle Anwendungsfälle entsprechen.