TL;DR. Generative Bildmodelle sind gut in Stimmung und schlecht in Fakten. Für einen Hersteller ist das ein echtes Problem: eine Schraube zu viel, ein Stecker an der falschen Stelle, ein erfundenes Typenschild. ProductLLM ist unser Forschungsprojekt dagegen. Mehrere KI-Agenten planen, prüfen und rendern Produktbilder aus der echten Geometrie. Ein eigenes ML-Modell lernt aus synthetischen Varianten, Produkte in Fotos Bauteil für Bauteil wiederzuerkennen und exakt zu platzieren. Jedes Bild wird gegen das CAD geprüft, bevor es jemand sieht.
Der Name täuscht ein wenig
ProductLLM ist kein einzelnes Sprachmodell. Es ist eine Orchestrierung aus mehreren spezialisierten Agenten und einem eigenen Modell für Geometrie. Die Sprachmodelle übernehmen, was sie gut können: lesen, planen, begründen. Die Geometrie bleibt in einer Engine, die rechnet statt rät. So entsteht ein Bild, das schön aussieht und technisch stimmt.
Drei Bilder, eine Geometrie
Unsere Demo zeigt das an einem Servomotor mit Planetengetriebe, den wir selbst konstruiert haben: 34 Bauteile in 7 Baugruppen. Punktwolke, Modell und Szene stammen aus derselben Geometrie, mit derselben Kamera und derselben Brennweite. Scrollen Sie langsam durch.
Punktwolke · Modell · Szene
- 01Punktwolkeaus der Oberfläche abgetastet
- 02ModellBaugruppen und Drahtgitter
- 03SzeneLicht, Material, Umgebung
Agenten statt eines Prompts
Ein Prompt allein kennt Ihr Produkt nicht. Deshalb teilen wir die Arbeit auf. Aus der CAD-Baugruppe entsteht zuerst ein Sichtmodell, das nur die sichtbare Hülle enthält. Ihr Konstruktionswissen bleibt bei Ihnen. Ein Planer-Agent liest Baugruppe, Stückliste und Kommunikationsziel und plant die Szene: Kamera, Licht, Explosionsansicht, Hervorhebung. Ein Prüfer-Agent hält den Plan gegen Markenregeln und Pflichtbauteile, bevor die Engine rendert.
Die Kette, Schritt für Schritt
Erst danach darf generative KI ran, und auch dann nur an die Umgebung: Licht, Material, Hintergrund, eine Szene im Einsatz. Die Verfeinerung ist an Tiefe und Kanten des gerenderten Bilds gebunden. Am Ende wird jedes Bild gegen das CAD-Modell gelegt und Bauteil für Bauteil geprüft. Fehlt ein Teil oder sitzt es falsch, geht das Bild zurück.
Andersrum: vom Foto zurück zur Geometrie
Dieselbe Engine kann die Richtung umdrehen. Sie erzeugt Tausende Varianten eines Produkts, in jeder Lage, in jedem Licht, mit genauen Angaben zu Bauteil, Lage und Tiefe. Diese Angaben kosten nichts, weil die Engine sie beim Rendern ohnehin kennt. Daran lernt unser eigenes Modell, echte Fotos auf Bauteile und 3D-Geometrie zurückzuführen, und kann ein Produkt damit exakt in eine echte Umgebung setzen.
Rahmen direkt aus der Geometrie
Daraus ergeben sich drei Anwendungen, die wir mit Herstellern durchdenken:
Wofür das gut ist
- Szenen, die stimmenProdukt- und Einsatzbilder für Marketing und Vertrieb, technisch korrekt bis zur Schraube.
- Ersatzteil per FotoEin Foto vom Kunden, und das Modell sagt, welches Bauteil gemeint ist.
- Altprodukte digitalisierenProdukte ohne CAD aus Fotos in Geometrie zurückführen.
Wo wir stehen
ProductLLM ist ein Forschungsprojekt. Die Demo steht, der Aufbau ist entworfen und beschrieben. Den wissenschaftlichen Teil, vor allem verlässliche Prüfer und das Modell für echte Fotos, gehen wir gemeinsam mit einem KI-Institut einer Universität an. Was davon reif ist, landet in Brand Studio.
Die KI darf die Bühne bauen. Das Produkt bleibt, wie es ist.
Was Sie jetzt tun sollten
- Prüfen Sie KI-Produktbilder Bauteil für Bauteil. Zählen Sie Schrauben, Stecker und Beschriftungen. Was dabei auffällt, ist der Maßstab für jede Lösung.
- Behandeln Sie CAD-Daten als Kapital. Für Bilder reicht die sichtbare Hülle. Konstruktionswissen muss dafür nie Ihr Haus verlassen.
- Sammeln Sie Ihre Fälle. Wo brauchen Sie Produktbilder in Varianten, wo kommen Ersatzteilanfragen per Foto, welche Produkte haben kein CAD?
Wenn Sie ProductLLM an einem eigenen Produkt sehen wollen, sprechen Sie uns gern an.
