Google DeepMind rekonstruiert mit KI unaufgezeichnete Erinnerung eines Paares in „Love, Rendered“
Google DeepMind hat beschrieben, wie das Unternehmen mithilfe von KI zur Bildrestaurierung und Performance-Erfassung einem Paar geholfen hat, eine wertvolle Erinnerung nachzustellen, die nie fotografiert worden war.
Kurze Antwort
Was hat Google DeepMind über die Dokumentation „Love, Rendered“ bekanntgegeben?
Google DeepMind teilt mit, gemeinsam mit Filmemachern an „Love, Rendered“ gearbeitet zu haben, einer Dokumentation, die mithilfe generativer Bildrestaurierung und Performance-Capture-Modelle eine Erinnerung für Burt und Ethelle Shatz nachbildete, ein seit über 70 Jahren verheiratetes Paar, die nie fotografiert oder gefilmt worden war. Google weist zudem darauf hin, dass Nutzer mit der Gemini-App Familienfotos restaurieren und kolorieren können.
Das Wichtigste
- Google DeepMind hat mit den Filmemachern Liz Garbus, Dan Cogan und Darren Aronofskys Primordial Soup an einer Dokumentarkurzfilm mit dem Titel „Love, Rendered“ zusammengearbeitet.
- Der Film erzählt die Geschichte von Burt und Ethelle Shatz, die seit über 70 Jahren verheiratet sind, und rekonstruiert mithilfe von KI den Tag ihrer ersten Begegnung in einer Studentengenossenschaft in Cleveland – ein Ereignis, von dem es weder Fotos noch Filmaufnahmen gibt.
- Google DeepMind erklärt, das Team habe einen zweiteiligen technischen Ansatz verfolgt: generative Bildrestaurierung zur Reparatur alter Schwarz-Weiß-Fotos sowie Performance-Capture-Modelle, um die heutigen Eigenheiten des Paares auf ihre jüngeren Abbilder zu übertragen.
- Michael Chang, Ingenieur bei Google DeepMind, sagt, Ethelle habe während des Prozesses als aktive Mitgestalterin fungiert und Details wie die Wölbung einer Treppe oder die Form eines Schuhabsatzes korrigiert.
- Google zufolge können Nutzer mit der Gemini-App ihre eigenen Familienfotos restaurieren und kolorieren.
Google DeepMind erklärte, man habe mit Filmemachern zusammengearbeitet, um „Love, Rendered" zu produzieren, einen Dokumentarkurzfilm, der künstliche Intelligenz nutzt, um einem Paar zu helfen, eine kostbare Erinnerung nachzuempfinden, die nie auf Film oder Foto festgehalten wurde.
Das Projekt, das der Google-DeepMind-Ingenieur Michael Chang in einem Beitrag beschreibt, dreht sich um Burt und Ethelle Shatz, ein seit mehr als 70 Jahren verheiratetes Paar. Laut Google begleitet der Film das Paar dabei, wie es mit Burts kognitivem Abbau umgeht, darunter das Verblassen einer ihrer wertvollsten Erinnerungen: der Tag, an dem sie sich in einer Studentengenossenschaft in Cleveland kennenlernten. Da dieser Tag nie fotografiert oder gefilmt wurde, existierte er laut Google nur in den Köpfen von Burt und Ethelle.
„Love, Rendered" wurde von Liz Garbus inszeniert und gemeinsam mit Dan Cogan und Darren Aronofsky produziert, so Google. Der Film entstand in Zusammenarbeit zwischen Google DeepMind und Primordial Soup, das als Aronofskys kreatives Unternehmen beschrieben wird.
Zweiteiliger technischer Ansatz
Um die Lücken in der fehlenden visuellen Dokumentation des Paares zu schließen, sei ein zweiteiliger technischer Prozess nötig gewesen, der das bewahren sollte, was das Unternehmen als emotionale Wahrhaftigkeit bezeichnet:
- Bildrestaurierung: Laut Google nutzte das Team generative Modelle, um Schwarz-Weiß-Fotografien von Burt und Ethelle aus ihrer Jugend zu restaurieren, was dabei geholfen habe, dass spätere Nachbildungen den Abgebildeten treu blieben.
- Steuerung von Haltung und Ausdruck: Google DeepMind zufolge setzten die Ingenieure Performance-Capture-Modelle ein, um die heutigen Mikro-Eigenheiten des Paares – etwa die Neigung von Burts Kopf, ein Zögern in seiner Sprache und die Fältchen um seine Augen – auf ihre jüngeren Abbilder zu übertragen.
Die Kombination beider Methoden habe es dem Team laut Google ermöglicht, „Burts und Ethelles Vergangenheit und Gegenwart miteinander zu verweben" und so eine nachgebildete Erinnerung zu schaffen, die sich für das Paar authentisch anfühlte.
Chang schrieb, Ethelle habe direkt mit dem technischen Team zusammengearbeitet – als das, was Google DeepMind eine aktive Mitgestalterin nennt – und dabei konkrete visuelle Details korrigiert, etwa die Krümmung einer Treppe oder die Form eines Schuhabsatzes, um die KI-Ausgabe zu lenken.
Chang schrieb außerdem, das Projekt habe für ihn persönliche Bedeutung gehabt: Er habe dieselben Werkzeuge zur Bildrestaurierung und Videoanimation an alten Fotografien seiner eigenen Familie getestet, nachdem sein Großvater nach einem Schlaganfall Gedächtnisverlust erlitten hatte.
Die dem Projekt zugrunde liegende Restaurierungs- und Kolorierungsfunktion stehe der Öffentlichkeit über die Gemini-App zur Verfügung, so Google, wo Nutzer sie auf ihre eigenen Familienfotos anwenden können.
Google verwies zudem auf eine begleitende Erläuterung des technischen Ablaufs von Kollegin Jess Gallegos, auf die in Changs Beitrag Bezug genommen wird.
Quelle: Google, „Recreating a 70-year love story frame by frame", veröffentlicht am 9. September 2026.
Häufige Fragen
- Was ist „Love, Rendered“?
- Es handelt sich um einen dokumentarischen Kurzfilm unter der Regie von Liz Garbus, produziert mit Dan Cogan und Darren Aronofsky, über Burt und Ethelle Shatz, ein seit über 70 Jahren verheiratetes Paar. Entstanden ist er in Zusammenarbeit mit Google DeepMind und Aronofskys Primordial Soup.
- Welche Erinnerung hat der Film wiederaufleben lassen?
- Google DeepMind erklärt, der Film rekonstruiere den Tag, an dem sich Burt und Ethelle in einer Studentenwohngemeinschaft in Cleveland kennenlernten – eine Erinnerung, die es nur in ihren Köpfen gab, da sie nie fotografisch oder filmisch festgehalten wurde.
- Welche KI-Techniken hat Google DeepMind eingesetzt?
- Laut Google DeepMind kombinierte das Team generative Bildrestaurierung alter Schwarz-Weiß-Fotos mit Performance-Capture-Modellen, die die heutigen kleinen Eigenheiten des Paares auf ihre jüngeren Abbilder übertrugen.
- Kann die Öffentlichkeit diese Technologie nutzen?
- Google zufolge können Nutzer mit der Gemini-App ihre eigenen Familienfotos restaurieren und kolorieren.