Update app.py

app.py

@@ -1235,8 +1235,9 @@ def img_to_image(image, prompt, neg_prompt, strength, steps, guidance_scale,
             adj_strength = 0.75  # Leicht runter auf Realismus
     
             # CONTROLNET-STÄRKE 
-            controlnet_strength = 0.55  #Inpaint kann bei Neugenerierung nicht so viel Kontrolle vertragen   
-                      
+            controlnet_strength = 0.55  #Inpaint kann bei Neugenerierung nicht so viel Kontrolle vertragen     
+
+            #Ratios:
             depth_ratio = 0.50     # 35%
             canny_ratio = 0.12     # 10%
 
@@ -1245,14 +1246,21 @@ def img_to_image(image, prompt, neg_prompt, strength, steps, guidance_scale,
             # Heuristik für Naturszenen vs. Innenräume
             nature_keywords = ["beach", "forest", "mountain", "ocean", "sky", "field", "landscape", "nature", "outdoor", "desert", "snow", "arctic"]
             interior_keywords = ["office", "room", "interior", "kitchen", "bedroom", "living room", "indoor", "wall", "furniture"]
+            
     
             # Anpassung für Innenräume (mehr Kantenerhalt)
             if any(keyword in prompt_lower for keyword in interior_keywords):
-                # Vorherige Formel für exakten Objektschutz
+                # Ob Formel korrekt? kein Test!
                 adj_strength = 0.2 + (ui_strength * 0.5)
                 controlnet_strength = 0.7 + (ui_strength * 0.2)
                 canny_ratio = 0.8 + (ui_strength * 0.1)
                 depth_ratio = 1.0 - canny_ratio
+
+                # Clipping: extreme Werte, Instabilität, Für exakten Objektschutz (Büro→Küche, Zimmer→Garten)
+                adj_strength = max(0.15, min(adj_strength, 0.7))   # Max 70% Denoising
+                controlnet_strength = max(0.6, min(controlnet_strength, 0.95)) # Min 60% ControlNet
+                canny_ratio = max(0.7, min(canny_ratio, 0.95))     # Canny mind. 70% für Kanten
+                depth_ratio = max(0.05, min(depth_ratio, 0.3))     # Depth max 30%
         
                 conditioning_scale = [
                     controlnet_strength * depth_ratio,
@@ -1268,19 +1276,18 @@ def img_to_image(image, prompt, neg_prompt, strength, steps, guidance_scale,
             # Anpassung für Naturszenen (maximale Flexibilität) - die optimalen UI-Werte: strength:0,72 , steps: 35 , guidance: 9-9,5
             elif any(keyword in prompt_lower for keyword in nature_keywords):
 
-                # 1. DENOISING: Radikaler bei Naturszenen (Wald→Wüste)
+                # DENOISING: Radikaler bei Naturszenen (Wald→Wüste)
                 adj_strength = 0.3 + (ui_strength * 0.5)  # wie stark das bestehende Bild überschrieben wird im kompletten Denoising-Prozess-also Strukturveränderung
         
-                # 2. CONTROLNET: WENIGER bei Naturszenen (mehr Freiheit)
+                # CONTROLNET: WENIGER bei Naturszenen (mehr Freiheit)
                 controlnet_strength = 0.3 + (ui_strength * 0.3)  # 0.3-0.6
         
-                # 3. RATIOS: WENIG Canny (Kanten stören bei Naturveränderung)
+                # RATIOS: WENIG Canny (Kanten stören bei Naturveränderung)
                 # MEHR Depth (Maßstab/Tiefe erhalten)
                 depth_ratio = 0.8 - (ui_strength * 0.3)  # Depth-Wert hält Maßstab und Boden (Emi groß, Liege klein - Emi im Meer)
                 canny_ratio = 1.0 - depth_ratio          # erzwingt Kanten - hält dadurch an alter Umgebung fest - schlecht bei Umgebungswechsel
 
                 # Clipping verhindert extreme Werte, Controlnet hat immer etwas Einfluß sonst ist Pipline instabil
-                # Für Naturszenen (Wald→Wüste, Meer→Tundra)
                 adj_strength = max(0.3, min(adj_strength, 0.85))
                 controlnet_strength = max(0.25, min(controlnet_strength, 0.65))
                 depth_ratio = max(0.3, min(depth_ratio, 0.9))      # Depth nicht unter 30%
@@ -1296,10 +1303,15 @@ def img_to_image(image, prompt, neg_prompt, strength, steps, guidance_scale,
                 print(f"   Depth: {depth_ratio*100:.0f}% (Maßstab), Canny: {canny_ratio*100:.0f}%")
                 print(f"   Conditioning Scale: [{conditioning_scale[0]:.3f}, {conditioning_scale[1]:.3f}]")
            
-            else:
-                print("🎯 Standard-Ratio 90:10 (Depth:Canny)")
-    
-                # 4. CONDITIONING SCALE BERECHNEN
+            else: #Standard
+
+                # Clipping:
+                adj_strength = max(0.15, min(adj_strength, 0.7))   # Max 70% Denoising
+                controlnet_strength = max(0.6, min(controlnet_strength, 0.95)) # Min 60% ControlNet
+                canny_ratio = max(0.7, min(canny_ratio, 0.95))     # Canny mind. 70% für Kanten
+                depth_ratio = max(0.05, min(depth_ratio, 0.3))     # Depth max 30%
+
+
                 conditioning_scale = [
                     controlnet_strength * depth_ratio,  # Depth-Gewichtung
                     controlnet_strength * canny_ratio   # Canny-Gewichtung