app.py

import gradio as gr
from diffusers import StableDiffusionPipeline, StableDiffusionImg2ImgPipeline
from diffusers import StableDiffusionInpaintPipeline, AutoencoderKL
from diffusers import DPMSolverMultistepScheduler, PNDMScheduler
from controlnet_module import controlnet_processor
import torch
from PIL import Image, ImageDraw
import time
import os
import tempfile
import random
import re

# === OPTIMIERTE EINSTELLUNGEN ===
device = "cuda" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if device == "cuda" else torch.float32
IMG_SIZE = 512
MAX_IMAGE_SIZE = 4096  # Maximale Bildgröße für Verarbeitung

print(f"Running on: {device}")

# === MODELLKONFIGURATION (NUR 2 MODELLE) ===
MODEL_CONFIGS = {
    "runwayml/stable-diffusion-v1-5": {
        "name": "🏠 Stable Diffusion 1.5 (Universal)",
        "description": "Universal model, good all-rounder, reliable results",
        "requires_vae": False,
        "recommended_steps": 35,
        "recommended_cfg": 7.5,
        "supports_fp16": True
    },
    "SG161222/Realistic_Vision_V6.0_B1_noVAE": {
        "name": "👤 Realistic Vision V6.0 (Portraits)",
        "description": "Best for photorealistic faces, skin details, human portraits",
        "requires_vae": True,
        "vae_model": "stabilityai/sd-vae-ft-mse",
        "recommended_steps": 40,
        "recommended_cfg": 7.0,
        "supports_fp16": False
    }
}

# === SAFETENSORS KONFIGURATION ===
SAFETENSORS_MODELS = ["runwayml/stable-diffusion-v1-5"]

# Aktuell ausgewähltes Modell (wird vom User gesetzt)
current_model_id = "runwayml/stable-diffusion-v1-5"

# === AUTOMATISCHE NEGATIVE PROMPT GENERIERUNG ===
def auto_negative_prompt(positive_prompt):
    """Generiert automatisch negative Prompts basierend auf dem positiven Prompt"""
    p = positive_prompt.lower()
    negatives = []

    # Personen / Portraits
    if any(w in p for w in [
    "person", "man", "woman", "face", "portrait", "team", "employee", 
    "people", "crowd", "character", "figure", "human", "child", "baby",
    "girl", "boy", "lady", "gentleman", "fairy", "elf", "dwarf", "santa claus",
    "mermaid", "angel", "demon", "witch", "wizard", "creature", "being",
    "model", "actor", "actress", "celebrity", "avatar", "group"]):
        negatives.append(
            "blurry face, lowres face, deformed pupils, bad anatomy, malformed hands, extra fingers, uneven eyes, distorted face, "
            "unrealistic skin, mutated, ugly, disfigured, poorly drawn face, "
            "missing limbs, extra limbs, fused fingers, too many fingers, bad teeth, "
            "mutated hands, long neck, extra wings, multiple wings,grainy face, noisy face, "
            "compression artifacts, rendering artifacts, digital artifacts, overprocessed face, oversmoothed face "
        )
  
    # Business / Corporate
    if any(w in p for w in ["office", "business", "team", "meeting", "corporate", "company", "workplace"]):
        negatives.append(
            "overexposed, oversaturated, harsh lighting, watermark, text, logo, brand"
        )

    # Produkt / CGI
    if any(w in p for w in ["product", "packshot", "mockup", "render", "3d", "cgi", "packaging"]):
        negatives.append(
            "plastic texture, noisy, overly reflective surfaces, watermark, text, low poly"
        )

    # Landschaft / Umgebung
    if any(w in p for w in ["landscape", "nature", "mountain", "forest", "outdoor", "beach", "sky"]):
        negatives.append(
            "blurry, oversaturated, unnatural colors, distorted horizon, floating objects"
        )

    # Logos / Symbole
    if any(w in p for w in ["logo", "symbol", "icon", "typography", "badge", "emblem"]):
        negatives.append(
            "watermark, signature, username, text, writing, scribble, messy"
        )

    # Architektur / Gebäude
    if any(w in p for w in ["building", "architecture", "house", "interior", "room", "facade"]):
        negatives.append(
            "deformed, distorted perspective, floating objects, collapsing structure"
        )

    # Basis negative Prompts für alle Fälle
    base_negatives = "low quality, worst quality, blurry, jpeg artifacts, ugly, deformed"
    
    if negatives:
        return base_negatives + ", " + ", ".join(negatives)
    else:
        return base_negatives

# === HILFSFUNKTION: KOORDINATEN SORTIEREN ===
def sort_coordinates(x1, y1, x2, y2):
    """Sortiert Koordinaten, so dass x1 <= x2 und y1 <= y2"""
    sorted_x1 = min(x1, x2)
    sorted_x2 = max(x1, x2)
    sorted_y1 = min(y1, y2)
    sorted_y2 = max(y1, y2)
    return sorted_x1, sorted_y1, sorted_x2, sorted_y2

# === GESICHTSMASKEN-FUNKTIONEN (ERWEITERT FÜR 3 MODI) ===
def create_face_mask(image, bbox_coords, mode):
    """
    ERWEITERTE FUNKTION: Erzeugt Maske basierend auf 3 Modi
    Weiße Bereiche werden VERÄNDERT, Schwarze bleiben ERHALTEN
    
    Parameter:
    - image: PIL Image
    - bbox_coords: [x1, y1, x2, y2]
    - mode: "environment_change", "focus_change", "face_only_change"
    
    Returns:
    - PIL Image (L-Modus, 0=schwarz=erhalten, 255=weiß=verändern)
    """
    mask = Image.new("L", image.size, 0)  # Start mit komplett schwarzer Maske (alles geschützt)
    
    if bbox_coords and all(coord is not None for coord in bbox_coords):
        # Sortiere Koordinaten
        x1, y1, x2, y2 = sort_coordinates(*bbox_coords)
        
        # Stelle sicher, dass Koordinaten innerhalb des Bildes liegen
        x1 = max(0, min(x1, image.width-1))
        y1 = max(0, min(y1, image.height-1))
        x2 = max(0, min(x2, image.width-1))
        y2 = max(0, min(y2, image.height-1))
        
        draw = ImageDraw.Draw(mask)
        
        if mode == "environment_change":
            # MODUS 1: Umgebung ändern (Depth + Canny)
            # Maske: Alles weiß AUSSER Bereich (schwarz)
            draw.rectangle([0, 0, image.size[0], image.size[1]], fill=255)  # Alles weiß = verändern
            draw.rectangle([x1, y1, x2, y2], fill=0)  # Bereich schwarz = geschützt (rechteckig)
            print(f"🎯 MODUS: Umgebung ändern - Alles außer BBox wird verändert (BBox: {x1},{y1},{x2},{y2})")
            
        elif mode == "focus_change":
            # MODUS 2: Focus verändern (OpenPose + Canny)
            # Maske: Nur innerhalb der Box weiß (Rest schwarz)
            draw.rectangle([x1, y1, x2, y2], fill=255)  # Nur Box weiß = verändern
            print(f"🎯 MODUS: Focus verändern - Nur innerhalb der BBox wird verändert (BBox: {x1},{y1},{x2},{y2})")
            
        elif mode == "face_only_change":
            # MODUS 3: Ausschließlich Gesicht (Depth + Canny)
            # Maske: Nur innerhalb der Box weiß (Rest schwarz) - wie focus_change
            draw.rectangle([x1, y1, x2, y2], fill=255)  # Nur Box weiß = verändern
            print(f"🎯 MODUS: Ausschließlich Gesicht - Nur innerhalb der BBox wird verändert (BBox: {x1},{y1},{x2},{y2})")
    
    return mask

def auto_detect_face_area(image):
    """Optimierten Vorschlag für Gesichtsbereich ohne externe Bibliotheken"""
    width, height = image.size
    face_size = min(width, height) * 0.4
    x1 = (width - face_size) / 2
    y1 = (height - face_size) / 4
    x2 = x1 + face_size
    y2 = y1 + face_size * 1.2
    
    # Sortiere Koordinaten und stelle sicher, dass sie innerhalb des Bildes liegen
    x1 = max(0, int(min(x1, x2)))
    y1 = max(0, int(min(y1, y2)))
    x2 = min(width, int(max(x1, x2)))
    y2 = min(height, int(max(y1, y2)))
    
    print(f"Geschätzte Gesichtskoordinaten: [{x1}, {y1}, {x2}, {y2}] (Bild: {width}x{height})")
    return [x1, y1, x2, y2]

# === PIPELINES ===
pipe_txt2img = None
current_pipe_model_id = None
pipe_img2img = None

def load_txt2img(model_id):
    """Lädt das Text-to-Image Modell basierend auf der Auswahl"""
    global pipe_txt2img, current_pipe_model_id
    
    # Wenn bereits das richtige Modell geladen ist, nichts tun
    if pipe_txt2img is not None and current_pipe_model_id == model_id:
        print(f"✅ Modell {model_id} bereits geladen")
        return pipe_txt2img
    
    print(f"🔄 Lade Modell: {model_id}")
    
    config = MODEL_CONFIGS.get(model_id, MODEL_CONFIGS["runwayml/stable-diffusion-v1-5"])
    print(f"📋 Modell-Konfiguration: {config['name']}")
    print(f"📝 Beschreibung: {config['description']}")
    
    try:
        # VAE-Handling basierend auf Modellkonfiguration
        vae = None
        if config.get("requires_vae", False):
            print(f"🔧 Lade externe VAE: {config['vae_model']}")
            try:
                vae = AutoencoderKL.from_pretrained(
                    config["vae_model"],
                    torch_dtype=torch_dtype
                ).to(device)
                print("✅ VAE erfolgreich geladen")
            except Exception as vae_error:
                print(f"⚠️ Fehler beim Laden der VAE: {vae_error}")
                print("ℹ️ Versuche ohne VAE weiter...")
                vae = None
        
        # Modellparameter basierend auf Modelltyp
        model_params = {
            "torch_dtype": torch_dtype,
            "safety_checker": None,
            "requires_safety_checker": False,
            "add_watermarker": False,
            "allow_pickle": True,  # Für .bin Modelle wichtig
        }
        
        # SAFETENSORS LOGIK
        if model_id in SAFETENSORS_MODELS:
            model_params["use_safetensors"] = True
            print(f"ℹ️ Verwende safetensors für {model_id}")
        else:
            model_params["use_safetensors"] = False
            print(f"ℹ️ Verwende .bin weights für {model_id}")
        
        # FP16 Variante nur wenn Modell sie unterstützt UND wir auf GPU sind
        if config.get("supports_fp16", False) and torch_dtype == torch.float16:
            model_params["variant"] = "fp16"
            print("ℹ️ Verwende FP16 Variante")
        else:
            print("ℹ️ Verwende Standard Variante (kein FP16)")
        
        # VAE nur wenn nicht None
        if vae is not None:
            model_params["vae"] = vae
        
        print(f"📥 Lade Hauptmodell von Hugging Face...")
        pipe_txt2img = StableDiffusionPipeline.from_pretrained(
            model_id,
            **model_params
        ).to(device)
        
        # SICHERER SCHEDULER-HANDLING
        print("⚙️ Konfiguriere Scheduler...")
        
        # Prüfe ob Scheduler existiert
        if pipe_txt2img.scheduler is None:
            print("⚠️ Scheduler ist None, setze Standard-Scheduler")
            pipe_txt2img.scheduler = PNDMScheduler.from_pretrained(
                model_id,
                subfolder="scheduler"
            )
        
        # Versuche DPM-Solver zu verwenden (bessere Ergebnisse)
        try:
            # Hole die Scheduler-Konfiguration
            if hasattr(pipe_txt2img.scheduler, 'config'):
                scheduler_config = pipe_txt2img.scheduler.config
            else:
                # Fallback-Konfiguration für Scheduler
                scheduler_config = {
                    "beta_start": 0.00085,
                    "beta_end": 0.012,
                    "beta_schedule": "scaled_linear",
                    "num_train_timesteps": 1000,
                    "prediction_type": "epsilon",
                    "steps_offset": 1
                }
                print("⚠️ Keine Scheduler-Konfig gefunden, verwende Standard")
            
            # Setze DPM-Solver Scheduler
            pipe_txt2img.scheduler = DPMSolverMultistepScheduler.from_config(
                scheduler_config,
                use_karras_sigmas=True,
                algorithm_type="sde-dpmsolver++"
            )
            print("✅ DPM-Solver Multistep Scheduler konfiguriert")
            
        except Exception as scheduler_error:
            print(f"⚠️ Konnte DPM-Scheduler nicht setzen: {scheduler_error}")
            print("ℹ️ Verwende Standard-Scheduler weiter")
        
        # Optimierungen
        pipe_txt2img.enable_attention_slicing()
        print("✅ Attention Slicing aktiviert")
        
        # VAE Slicing nur wenn VAE existiert
        if hasattr(pipe_txt2img, 'vae') and pipe_txt2img.vae is not None:
            try:
                pipe_txt2img.enable_vae_slicing()
                if hasattr(pipe_txt2img.vae, 'enable_slicing'):
                    pipe_txt2img.vae.enable_slicing()
                print("✅ VAE Slicing aktiviert")
            except Exception as vae_slice_error:
                print(f"⚠️ VAE Slicing nicht möglich: {vae_slice_error}")
        
        current_pipe_model_id = model_id
        print(f"✅ {config['name']} erfolgreich geladen")
        print(f"📊 Modell-Dtype: {pipe_txt2img.dtype}")
        print(f"📊 Scheduler: {type(pipe_txt2img.scheduler).__name__}")
        print(f"⚙️ Empfohlene Einstellungen: Steps={config['recommended_steps']}, CFG={config['recommended_cfg']}")
        
        return pipe_txt2img
        
    except Exception as e:
        print(f"❌ Fehler beim Laden von {model_id}: {str(e)[:200]}...")
        import traceback
        traceback.print_exc()
        print("🔄 Fallback auf SD 1.5...")
        
        # Fallback auf Standard SD 1.5
        try:
            pipe_txt2img = StableDiffusionPipeline.from_pretrained(
                "runwayml/stable-diffusion-v1-5",
                torch_dtype=torch_dtype,
                use_safetensors=True,
            ).to(device)
            pipe_txt2img.enable_attention_slicing()
            current_pipe_model_id = "runwayml/stable-diffusion-v1-5"
            print("✅ Fallback auf SD 1.5 erfolgreich")
            
            return pipe_txt2img
        except Exception as fallback_error:
            print(f"❌ Auch Fallback fehlgeschlagen: {fallback_error}")
            raise

def load_img2img():
    """Lädt das Inpainting-Modell mit DPMSolver++ Scheduler"""
    global pipe_img2img
    if pipe_img2img is None:
        print("🔄 Lade Inpainting-Modell...")
        try:
            pipe_img2img = StableDiffusionInpaintPipeline.from_pretrained(
                "runwayml/stable-diffusion-inpainting",
                torch_dtype=torch_dtype,
                allow_pickle=False,
                safety_checker=None,
            ).to(device)
            
            # WICHTIG: Behalte DPMSolver++ Scheduler bei (beste Qualität für Inpainting)
            pipe_img2img.scheduler = DPMSolverMultistepScheduler.from_config(
                pipe_img2img.scheduler.config,
                algorithm_type="sde-dpmsolver++",
                use_karras_sigmas=True,
                timestep_spacing="trailing"
            )
            
            print("✅ DPMSolver++ Multistep Scheduler für Inpainting konfiguriert")
            
        except Exception as e:
            print(f"❌ Fehler beim Laden des Inpainting-Modells: {e}")
            raise

        pipe_img2img.enable_attention_slicing()
        pipe_img2img.enable_vae_tiling()
        if hasattr(pipe_img2img, 'vae_slicing'):
            pipe_img2img.vae_slicing = True
        print("✅ Inpainting-Modell geladen und optimiert")

    return pipe_img2img

# === NEUE CALLBACK-FUNKTIONEN FÜR FORTSCHRITT ===
class TextToImageProgressCallback:
    def __init__(self, progress, total_steps):
        self.progress = progress
        self.total_steps = total_steps
        self.current_step = 0
    
    def __call__(self, pipe, step, timestep, callback_kwargs):
        self.current_step = step + 1
        progress_percent = (step / self.total_steps) * 100
        self.progress(progress_percent / 100, desc="Generierung läuft...")
        return callback_kwargs

class ImageToImageProgressCallback:
    def __init__(self, progress, total_steps, strength):
        self.progress = progress
        self.total_steps = total_steps
        self.current_step = 0
        self.strength = strength
        self.actual_total_steps = None

    def __call__(self, pipe, step, timestep, callback_kwargs):
        self.current_step = step + 1
    
        if self.actual_total_steps is None:
            if self.strength < 1.0:
                self.actual_total_steps = int(self.total_steps * self.strength)
            else:
                self.actual_total_steps = self.total_steps
            
            print(f"🎯 INTERNE STEP-AUSGABE: Strength {self.strength} → {self.actual_total_steps} tatsächliche Denoising-Schritte")
        
        progress_percent = (step / self.actual_total_steps) * 100
        self.progress(progress_percent / 100, desc="Generierung läuft...")
        return callback_kwargs

# === NEUE FUNKTIONEN FÜR DIE FEATURES (ANGEPASST FÜR 3 MODI) ===
def create_preview_image(image, bbox_coords, mode):
    """
    NEUE FUNKTION: Erstellt Vorschau basierend auf 3 Modi mit farbigen Rahmen
    
    Parameter:
    - image: PIL Image
    - bbox_coords: [x1, y1, x2, y2]
    - mode: "environment_change", "focus_change", "face_only_change"
    
    Returns:
    - PIL Image mit farbigem Rahmen und Text
    """
    if image is None:
        return None
        
    preview = image.copy()
    draw = ImageDraw.Draw(preview)
    
    # Farben basierend auf Modus
    if mode == "environment_change":
        border_color = (0, 255, 0, 180)  # Grün für Umgebung
        mode_text = "UMGEBUNG ÄNDERN (Bereich geschützt)"
        box_color = (255, 255, 0, 200)  # Gelb für geschützten Bereich
        text_bg_color = (0, 128, 0, 160)  # Dunkelgrün
        
    elif mode == "focus_change":
        border_color = (255, 165, 0, 180)  # Orange für Focus
        mode_text = "FOCUS VERÄNDERN (Bereich+Körper)"
        box_color = (255, 0, 0, 200)  # Rot für Veränderungsbereich
        text_bg_color = (255, 140, 0, 160)  # Dunkelorange
        
    elif mode == "face_only_change":
        border_color = (255, 0, 0, 180)  # Rot für nur Gesicht
        mode_text = "NUR BEREICH VERÄNDERN"
        box_color = (255, 0, 0, 200)  # Rot für Veränderungsbereich
        text_bg_color = (128, 0, 0, 160)  # Dunkelrot
    else:
        # Fallback
        border_color = (128, 128, 128, 180)
        mode_text = "UNBEKANNTER MODUS"
        box_color = (128, 128, 128, 200)
        text_bg_color = (64, 64, 64, 160)
    
    # Skaliere Rahmendicke basierend auf Bildgröße
    border_width = max(8, image.width // 200)  # Mindestens 8px, bei großen Bildern dicker
    draw.rectangle([0, 0, preview.width-1, preview.height-1], 
                  outline=border_color, width=border_width)
    
    if bbox_coords and all(coord is not None for coord in bbox_coords):
        # Sortiere Koordinaten
        x1, y1, x2, y2 = sort_coordinates(*bbox_coords)
        
        # Stelle sicher, dass die Koordinaten innerhalb des Bildes liegen
        x1 = max(0, min(x1, preview.width-1))
        y1 = max(0, min(y1, preview.height-1))
        x2 = max(0, min(x2, preview.width-1))
        y2 = max(0, min(y2, preview.height-1))
        
        # Nur zeichnen, wenn die Bounding Box gültig ist
        if x2 > x1 and y2 > y1:
            # Skaliere Box-Rahmen basierend auf Bildgröße
            box_width = max(3, image.width // 400)
            draw.rectangle([x1, y1, x2, y2], outline=box_color, width=box_width)
            
            text_color = (255, 255, 255)
            
            # Text über der Bounding Box platzieren
            text_y = max(0, y1 - 25)
            text_bbox = draw.textbbox((x1, text_y), mode_text)
            draw.rectangle([text_bbox[0]-5, text_bbox[1]-2, text_bbox[2]+5, text_bbox[3]+2], 
                          fill=text_bg_color)
            
            draw.text((x1, text_y), mode_text, fill=text_color)
    
    return preview

def update_live_preview(image, bbox_x1, bbox_y1, bbox_x2, bbox_y2, mode):
    """
    Aktualisiert die Live-Vorschau bei Koordinaten-Änderungen
    NEU: Verwendet 3 Modi statt Boolean
    """
    if image is None:
        return None
    
    # Sortiere die Koordinaten (Slider zeigen Originalkoordinaten)
    bbox_coords = sort_coordinates(bbox_x1, bbox_y1, bbox_x2, bbox_y2)
    
    return create_preview_image(image, bbox_coords, mode)

def process_image_upload(image):
    """Verarbeitet Bild-Upload und gibt Bild + Koordinaten zurück"""
    if image is None:
        return None, None, None, None, None

    width, height = image.size
    
    # Berechne Bounding-Box basierend auf der tatsächlichen Bildgröße
    bbox = auto_detect_face_area(image)
    
    # Sortiere die Koordinaten
    bbox_x1, bbox_y1, bbox_x2, bbox_y2 = sort_coordinates(*bbox)
    
    # Für die Vorschau verwende die Originalkoordinaten
    preview = create_preview_image(image, [bbox_x1, bbox_y1, bbox_x2, bbox_y2], "environment_change")
    
    # Slider-Werte SIND JETZT ORIGINALKOORDINATEN (keine 512-Skalierung!)
    print(f"Bild {width}x{height} -> Slider-Originalwerte: [{bbox_x1}, {bbox_y1}, {bbox_x2}, {bbox_y2}]")
    
    return preview, bbox_x1, bbox_y1, bbox_x2, bbox_y2

# === FUNKTION FÜR SLIDER-UPDATE ===
def update_slider_for_image(image):
    """Aktualisiert Slider-Maxima basierend auf Bildgröße bis 4096x4096"""
    if image is None:
        return (
            gr.update(maximum=MAX_IMAGE_SIZE),
            gr.update(maximum=MAX_IMAGE_SIZE),
            gr.update(maximum=MAX_IMAGE_SIZE),
            gr.update(maximum=MAX_IMAGE_SIZE)
        )
    
    width, height = image.size
    
    # Setze Slider-Maxima auf Bildgröße (begrenzt auf MAX_IMAGE_SIZE für Stabilität)
    max_width = min(width, MAX_IMAGE_SIZE)
    max_height = min(height, MAX_IMAGE_SIZE)
    
    print(f"Slider-Maxima gesetzt auf: {max_width}x{max_height}")
    
    return (
        gr.update(maximum=max_width),
        gr.update(maximum=max_height),
        gr.update(maximum=max_width),
        gr.update(maximum=max_height)
    )

# === HAUPTFUNKTIONEN (ANGEPASST FÜR 3 MODI) ===
def text_to_image(prompt, model_id, steps, guidance_scale, progress=gr.Progress()):
    try:
        if not prompt or not prompt.strip():
            return None, "Bitte einen Prompt eingeben"
            
        print(f"🚀 Starte Generierung mit Modell: {model_id}")
        print(f"📝 Prompt: {prompt}")
        
        # Automatische negative Prompts generieren
        auto_negatives = auto_negative_prompt(prompt)
        print(f"🤖 Automatisch generierte Negative Prompts: {auto_negatives}")
        
        start_time = time.time()
        

        # Liste von Qualitätswörtern/Gewichten, die auf Benutzereingaben prüfen
        quality_keywords = ['masterpiece', 'best quality', 'high quality', 'highly detailed', 
                           'exquisite', 'ultra detailed', 'professional', 
                           'perfect', 'excellent', 'amazing', 'stunning', 'beautiful']
        
        # Prüfe, ob der Benutzer bereits Qualitätswörter/Gewichte verwendet hat
        user_has_quality_words = False
        
        # Konvertiere Prompt zu Kleinbuchstaben für die Prüfung
        prompt_lower = prompt.lower()
        
        # Prüfe auf einfache Qualitätswörter
        for keyword in quality_keywords:
            if keyword in prompt_lower:
                user_has_quality_words = True
                print(f"✓ Benutzer verwendet bereits Qualitätswort: {keyword}")
                break
        
        # Prüfe auf Gewichte (z.B. (word:1.5), [word], etc.)
        weight_patterns = [r'\([^)]+:\d+(\.\d+)?\)', r'\[[^\]]+\]']
        for pattern in weight_patterns:
            if re.search(pattern, prompt):
                user_has_quality_words = True
                print("✓ Benutzer verwendet bereits Gewichte im Prompt")
                break
        
        # Prompt basierend auf Prüfung anpassen
        if not user_has_quality_words:
            enhanced_prompt = f"masterpiece, best quality, {prompt}"
            print(f"🔄 Verbesserter Prompt: {enhanced_prompt}")
        else:
            enhanced_prompt = prompt
            print("✓ Benutzerprompt wird unverändert verwendet")
        
        print(f"Finaler Prompt für Generation: {enhanced_prompt}")

        
        
        progress(0, desc="Lade Modell...")
        pipe = load_txt2img(model_id)
        
        seed = random.randint(0, 2**32 - 1)
        generator = torch.Generator(device=device).manual_seed(seed)
        print(f"🌱 Seed: {seed}")
        
        callback = TextToImageProgressCallback(progress, steps)
        
        print(f"⚙️ Einstellungen: Steps={steps}, CFG={guidance_scale}")
        
        image = pipe(
            prompt=enhanced_prompt,
            negative_prompt=auto_negatives,
            height=512,
            width=512,
            num_inference_steps=int(steps),
            guidance_scale=guidance_scale,
            generator=generator,
            callback_on_step_end=callback,
            callback_on_step_end_tensor_inputs=[],
        ).images[0]
        
        end_time = time.time()
        duration = end_time - start_time
        print(f"✅ Bild generiert in {duration:.2f} Sekunden")
        
        config = MODEL_CONFIGS.get(model_id, MODEL_CONFIGS["runwayml/stable-diffusion-v1-5"])
        status_msg = f"✅ Generiert mit {config['name']} in {duration:.1f}s"
        
        return image, status_msg
        
    except Exception as e:
        error_msg = f"❌ Fehler: {str(e)}"
        print(f"❌ Fehler in text_to_image: {e}")
        import traceback
        traceback.print_exc()
        return None, error_msg


def img_to_image(image, prompt, neg_prompt, strength, steps, guidance_scale,
                 mode, bbox_x1, bbox_y1, bbox_x2, bbox_y2,
                 progress=gr.Progress()):
    """
    HAUPTFUNKTION FÜR BILD-zu-BILD (ANGEPASST FÜR 3 MODI)
    
    WICHTIG: Der 'mode' Parameter bestimmt:
    - "environment_change": Depth + Canny, Maske außen weiß
    - "focus_change": OpenPose + Canny, Maske innen weiß  
    - "face_only_change": Depth + Canny, Maske innen weiß
    
    keep_environment Parameter für ControlNet:
    - True für "environment_change" und "face_only_change" (Depth+Canny)
    - False für "focus_change" (OpenPose+Canny)
    """
    try:
        if image is None:
            return None

        import time, random
        start_time = time.time()

        print(f"🚀 Img2Img Start → Modus: {mode}")
        print(f"📊 Einstellungen: Strength: {strength}, Steps: {steps}, Guidance: {guidance_scale}")
        print(f"📝 Prompt: {prompt}")
        print(f"🚫 Negativ-Prompt: {neg_prompt}")
        

                 # ===== AUTOMATISCHEN NEGATIV-PROMPT GENERIEREN =====
        auto_negatives = auto_negative_prompt(prompt)
        print(f"🤖 Automatisch generierter Negativ-Prompt: {auto_negatives}")
        
        # ===== KOMBINIERE MANUELLEN UND AUTOMATISCHEN PROMPT =====
        combined_negative_prompt = ""
        
        if neg_prompt and neg_prompt.strip():
            # Benutzer hat einen Negativ-Prompt eingegeben
            user_neg = neg_prompt.strip()
            print(f"👤 Benutzer Negativ-Prompt: {user_neg}")
            
            # Entferne Duplikate zwischen automatischen und manuellen Prompts
            user_words = [word.strip().lower() for word in user_neg.split(",")]
            auto_words = [word.strip().lower() for word in auto_negatives.split(",")]
            
            # Starte mit dem Benutzer-Prompt
            combined_words = user_words.copy()
            
            # Füge automatische Wörter hinzu, die nicht bereits vorhanden sind
            for auto_word in auto_words:
                if auto_word and auto_word not in user_words:
                    combined_words.append(auto_word)
            
            # Zusammenfügen und Duplikate entfernen
            unique_words = []
            seen_words = set()
            for word in combined_words:
                if word and word not in seen_words:
                    unique_words.append(word)
                    seen_words.add(word)
            
            combined_negative_prompt = ", ".join(unique_words)
        else:
            # Kein Benutzer-Prompt, verwende nur den automatischen
            combined_negative_prompt = auto_negatives
            print(f"ℹ️ Kein manueller Negativ-Prompt, verwende nur automatischen: {combined_negative_prompt}")
        
        print(f"✅ Finaler kombinierter Negativ-Prompt: {combined_negative_prompt}")


        # ===== GESICHTS-SPEZIFISCHE BOOSTER FÜR NUR-GESICHT MODUS =====
        if mode == "face_only_change":
            # Gesichtsspezifische Booster hinzufügen
            face_boosters = "(perfect face:1.2), (symmetrical face:1.1), realistic shaded perfect face, "
            
            # Prüfen ob Prompts schon gewichtete Face-Booster haben
            if not any(keyword in prompt.lower() for keyword in 
                   ["perfect face", "symmetrical", "realistic face", "shaded face"]):
                enhanced_prompt = face_boosters + prompt
                print(f"👤 Gesichts-Booster hinzugefügt: {face_boosters}")
            else:
                enhanced_prompt = prompt
                print(f"👤 Benutzer hat bereits Gesichts-Booster im Prompt")
        else:
            # Für andere Modi: Normaler Prompt
            enhanced_prompt = prompt

        # ===== HINTERGRUND-BOOSTER FÜR UMGEBUNGS-ÄNDERUNG =====
        if mode == "environment_change":
            # Booster für komplett neue Umgebung
            background_boosters = "complete scene, full background, entire environment, "
            
            # Prüfe ob schon Booster enthalten
            if not any(keyword in enhanced_prompt.lower() for keyword in 
                      ["complete scene", "full background", "entire environment", "whole setting"]):
                enhanced_prompt = background_boosters + enhanced_prompt
                print(f"🌳 Hintergrund-Booster hinzugefügt: {background_boosters}")

        print(f"🎯 Finaler Prompt für {mode}: {enhanced_prompt}")


        progress(0, desc="Starte Generierung mit ControlNet...")


        # ===== MODUS-SPEZIFISCHE EINSTELLUNGEN =====
        adj_strength = min(0.85, strength * 1.25)
        
        # Bestimme keep_environment basierend auf Modus
        if mode == "focus_change":
            # MODUS 2: Focus verändern → OpenPose + Canny
            keep_environment = False
            controlnet_strength = adj_strength * 0.7  # Höher für Strukturerhalt
            print(f"🎯 MODUS: Focus verändern → OpenPose+Canny (keep_environment=False)")
            
        elif mode == "environment_change":
            # MODUS 1: Umgebung ändern → Depth + Canny
            keep_environment = True
            controlnet_strength = adj_strength * 0.3  # NIEDRIG für radikale Änderungen
            print(f"🎯 MODUS: Umgebung ändern → Depth+Canny (keep_environment=True)")
            
        else:  # face_only_change
            # MODUS 3: Ausschließlich Gesicht → Depth + Canny
            keep_environment = True
            controlnet_strength = adj_strength * 0.5  # Balance für Gesichtsdetails
            print(f"🎯 MODUS: Ausschließlich Gesicht → Depth+Canny (keep_environment=True)")
            
        controlnet_steps = min(25, int(steps * 0.8))
        print(f"⚙️ ControlNet Settings: Strength={controlnet_strength:.3f}, Steps={controlnet_steps}")

        progress(0.03, desc="ControlNet läuft...")

        # ===== CONTROLNET AUFRUF =====
        controlnet_output, inpaint_input = controlnet_processor.generate_with_controlnet(
            image=image,
            prompt=enhanced_prompt,  # WICHTIG: enhanced_prompt verwenden!
            negative_prompt=combined_negative_prompt,
            steps=controlnet_steps,
            guidance_scale=guidance_scale,
            controlnet_strength=controlnet_strength,
            progress=None,  # kein Progress an ControlNet
            keep_environment=keep_environment
        )

        print(f"✅ ControlNet Output erhalten: {type(controlnet_output)}")
        print(f"✅ Inpaint Input erhalten: {type(inpaint_input)}")

        progress(0.3, desc="ControlNet abgeschlossen – starte Inpaint...")

        pipe = load_img2img()
        
        # ===== RICHTIGE BILD-SKALIERUNG =====
        # Prüfe ob ControlNet schon 512×512 liefert
        if inpaint_input.size != (512, 512):
            img_resized = inpaint_input.convert("RGB").resize((512, 512), Image.Resampling.LANCZOS)
            print("🔄 ControlNet Output von {} auf 512×512 skaliert".format(inpaint_input.size))
        else:
            img_resized = inpaint_input.convert("RGB")
            print("✅ ControlNet Output ist bereits 512×512")

        adj_guidance = min(guidance_scale, 12.0)
        seed = random.randint(0, 2**32 - 1)
        generator = torch.Generator(device=device).manual_seed(seed)
        print(f"🌱 Inpaint Seed: {seed}")

        # ===== RICHTIGE MASKEN-ERSTELLUNG (FIX: KEINE DOPPELTE SKALIERUNG) =====
        mask = None
        if bbox_x1 is not None and bbox_y1 is not None and bbox_x2 is not None and bbox_y2 is not None:
            # 1. Maske AUF ORIGINAL-BILD erstellen (korrekte Proportionen)
            original_mask = create_face_mask(image, (bbox_x1, bbox_y1, bbox_x2, bbox_y2), mode)
            
            # 2. Maske auf 512×512 skalieren (gleicher Algorithmus wie Bild)
            # WICHTIG: NEAREST für scharfe Kanten, da Maske binär ist
            mask = original_mask.resize((512, 512), Image.Resampling.NEAREST)
            
            print(f"✅ Maske erstellt für Modus: {mode}")
            print(f"   Original BBox: [{bbox_x1}, {bbox_y1}, {bbox_x2}, {bbox_y2}]")
            print(f"   Maske skaliert von {original_mask.size} auf {mask.size}")

        # WICHTIG: KEINE SCHEDULER-ÄNDERUNG MEHR - DPMSolver++ bleibt aktiv
        print(f"✅ Verwende DPMSolver++ Scheduler: {type(pipe.scheduler).__name__}")

        callback = ImageToImageProgressCallback(progress, int(steps), adj_strength)

        # ===== INPAINT DURCHFÜHREN =====
        result = pipe(
            prompt=enhanced_prompt,  # WICHTIG: enhanced_prompt verwenden!
            negative_prompt=combined_negative_prompt,
            image=img_resized,
            mask_image=mask,
            strength=adj_strength,
            num_inference_steps=int(steps),
            guidance_scale=adj_guidance,
            generator=generator,
            callback_on_step_end=callback,
            callback_on_step_end_tensor_inputs=[],
        )

        end_time = time.time()
        duration = end_time - start_time
        print(f"✅ Transformation abgeschlossen in {duration:.2f} Sekunden")
        print(f"🎯 Verwendeter Modus: {mode}")
        print(f"⚙️ ControlNet: {'Depth+Canny' if keep_environment else 'OpenPose+Canny'}")
        print(f"⚙️ Scheduler: DPMSolver++ (optimal für Inpainting)")

        generated_image = result.images[0]
        return generated_image

    except Exception as e:
        print(f"❌ Fehler in img_to_image: {e}")
        import traceback
        traceback.print_exc()
        return None  

def update_bbox_from_image(image):
    """Aktualisiert die Bounding-Box-Koordinaten wenn ein Bild hochgeladen wird"""
    if image is None:
        return None, None, None, None
    
    bbox = auto_detect_face_area(image)
    return bbox[0], bbox[1], bbox[2], bbox[3]

def update_model_settings(model_id):
    """Aktualisiert die empfohlenen Einstellungen basierend auf Modellauswahl"""
    config = MODEL_CONFIGS.get(model_id, MODEL_CONFIGS["runwayml/stable-diffusion-v1-5"])
    
    return (
        config["recommended_steps"],  # steps
        config["recommended_cfg"],    # guidance_scale
        f"📊 Empfohlene Einstellungen: {config['recommended_steps']} Steps, CFG {config['recommended_cfg']}"
    )

def main_ui():
    """
    HAUPT-UI (ANGEPASST FÜR 3 MODI)
    Wichtigste Änderung: Ersetzung der Checkbox durch Radio-Buttons
    """
    with gr.Blocks(
        title="AI Image Generator", 
        theme=gr.themes.Base(),
        css="""
        .info-box {
            background-color: #f8f4f0; 
            padding: 15px; 
            border-radius: 8px; 
            border-left: 4px solid #8B7355;
            margin: 20px 0;
        }
        .clickable-file {
           color: #1976d2;
           cursor: pointer;
           text-decoration: none;
           font-family: 'Monaco', 'Consolas', monospace;
           background: #e3f2fd;
           padding: 2px 6px;
           border-radius: 4px;
           border: 1px solid #bbdefb;
         }
        .clickable-file:hover {
           background: #bbdefb;
           text-decoration: underline;
         }
        .model-info-box {
            background: #e8f4fd;
            padding: 12px;
            border-radius: 6px;
            margin: 10px 0;
            border-left: 4px solid #2196f3;
            font-size: 14px;
        }
        #generate-button {
            background-color: #0080FF !important;
            border: none !important;
            margin: 20px auto !important;
            display: block !important;
            font-weight: 600;
            width: 280px;
        }
        #generate-button:hover {
            background-color: #0066CC !important;
        }
        .hint-box {
            margin-top: 20px;
        }
        .custom-text {
            font-size: 25px !important;
        }
        .image-upload .svelte-1p4f8co {
            display: block !important;
        }
        .preview-box {
            border: 2px dashed #ccc;
            padding: 10px;
            border-radius: 8px;
            margin: 10px 0;
        }
        .mode-red {
            border: 3px solid #ff4444 !important;
        }
        .mode-green {
            border: 3px solid #44ff44 !important;
        }
        .coordinate-sliders {
            background: #f8f9fa;
            padding: 15px;
            border-radius: 8px;
            margin: 10px 0;
        }
        .gr-checkbox .wrap .text-gray {
            font-size: 14px !important;
            font-weight: 600 !important;
            line-height: 1.4 !important;
        }
        .status-message {
            padding: 10px;
            border-radius: 5px;
            margin: 10px 0;
            text-align: center;
            font-weight: 500;
        }
        .status-success {
            background-color: #d4edda;
            color: #155724;
            border: 1px solid #c3e6cb;
        }
        .status-error {
            background-color: #f8d7da;
            color: #721c24;
            border: 1px solid #f5c6cb;
        }
        .radio-group {
            background: #f8f9fa;
            padding: 15px;
            border-radius: 8px;
            margin: 10px 0;
            border: 2px solid #e9ecef;
        }
        .radio-item {
            padding: 8px 12px;
            margin: 5px 0;
            border-radius: 4px;
            transition: background 0.3s;
        }
        .radio-item:hover {
            background: #e9ecef;
        }
        .radio-label {
            font-weight: 600;
            font-size: 14px;
        }
        .radio-description {
            font-size: 12px;
            color: #6c757d;
            margin-left: 24px;
        }
        """
    ) as demo:

        with gr.Column(visible=True) as content_area:
            with gr.Tab("Text zu Bild"):
                gr.Markdown("## 🎨 Text zu Bild Generator")
                
                with gr.Row():
                    with gr.Column(scale=2):
                        # Modellauswahl Dropdown (NUR 2 MODELLE)
                        model_dropdown = gr.Dropdown(
                            choices=[
                                (config["name"], model_id) 
                                for model_id, config in MODEL_CONFIGS.items()
                            ],
                            value="runwayml/stable-diffusion-v1-5",
                            label="📁 Modellauswahl",
                            info="🏠 Universal vs 👤 Portraits"
                        )
                        
                        # Modellinformationen Box
                        model_info_box = gr.Markdown(
                            value="<div class='model-info-box'>"
                                  "**🏠 Stable Diffusion 1.5 (Universal)**<br>"
                                  "Universal model, good all-rounder, reliable results<br>"
                                  "Empfohlene Einstellungen: 35 Steps, CFG 7.5"
                                  "</div>",
                            label="Modellinformationen"
                        )
                        
                    with gr.Column(scale=3):
                        txt_input = gr.Textbox(
                            placeholder="z.B. ultra realistic mountain landscape at sunrise, soft mist over the valley, detailed foliage, crisp textures, depth of field, sunlight rays through clouds, shot on medium format camera, 8k, HDR, hyper-detailed, natural lighting, masterpiece",
                            lines=3,
                            label="🎯 Prompt (Englisch)",
                            info="Beschreibe detailliert, was du sehen möchtest. Negative Prompts werden automatisch generiert."
                        )
                
                with gr.Row():
                    with gr.Column():
                        txt_steps = gr.Slider(
                            minimum=10, maximum=100, value=35, step=1,
                            label="⚙️ Inferenz-Schritte",
                            info="Mehr Schritte = bessere Qualität, aber langsamer (20-50 empfohlen)"
                        )
                    with gr.Column():
                        txt_guidance = gr.Slider(
                            minimum=1.0, maximum=20.0, value=7.5, step=0.5,
                            label="🎛️ Prompt-Stärke (CFG Scale)",
                            info="Wie stark der Prompt befolgt wird (7-12 für gute Balance)"
                        )
                
                # Status-Nachricht
                status_output = gr.Markdown(
                    value="",
                    elem_classes="status-message"
                )
                
                generate_btn = gr.Button("🚀 Bild generieren", variant="primary", elem_id="generate-button")
                
                with gr.Row():
                    txt_output = gr.Image(
                        label="🖼️ Generiertes Bild", 
                        show_download_button=True,
                        type="pil",
                        height=400
                    )
                
                # Event-Handler für Modelländerung
                def update_model_info(model_id):
                    config = MODEL_CONFIGS.get(model_id, MODEL_CONFIGS["runwayml/stable-diffusion-v1-5"])
                    info_html = f"""
                    <div class='model-info-box'>
                    <strong>{config['name']}</strong><br>
                    {config['description']}<br>
                    <em>Empfohlene Einstellungen: {config['recommended_steps']} Steps, CFG {config['recommended_cfg']}</em>
                    </div>
                    """
                    return info_html, config["recommended_steps"], config["recommended_cfg"]
                
                model_dropdown.change(
                    fn=update_model_info,
                    inputs=[model_dropdown],
                    outputs=[model_info_box, txt_steps, txt_guidance]
                )
                
                generate_btn.click(
                    fn=text_to_image,
                    inputs=[txt_input, model_dropdown, txt_steps, txt_guidance],
                    outputs=[txt_output, status_output],
                    concurrency_limit=1
                )

            with gr.Tab("Bild zu Bild"):
                gr.Markdown("## 🖼️ Bild zu Bild Transformation (3 MODI)")
                
                with gr.Row():
                    with gr.Column():
                        img_input = gr.Image(
                            type="pil", 
                            label="📤 Eingabebild",
                            height=300,
                            sources=["upload"],
                            elem_id="image-upload"
                        )
                    with gr.Column():
                        preview_output = gr.Image(
                            label="🎯 Live-Vorschau mit Maske",
                            height=300,
                            interactive=False,
                            show_download_button=False
                        )
                
                # ===== NEUE RADIO-BUTTONS STATT CHECKBOX =====
                with gr.Row():
                    with gr.Column():
                        gr.Markdown("### 🎛️ Transformations-Modus")
                        
                        # NEU: 3 Radio-Buttons statt 1 Checkbox
                        mode_radio = gr.Radio(
                            choices=[
                                ("🌳 Umgebung ändern", "environment_change"),
                                ("🎯 Focus verändern", "focus_change"),
                                ("👤 Ausschließlich Gesicht", "face_only_change")
                            ],
                            value="environment_change",  # Standardmodus
                            label="Wähle den Transformationsmodus:",
                            info="Steuert, welcher Teil des Bildes verändert wird",
                            elem_classes="radio-group"
                        )
                        
                        # Detailierte Erklärungen
                        gr.Markdown("""
                        <div style="font-size: 12px; color: #666; margin-top: 10px;">
                        <strong>Modus-Erklärungen:</strong><br>
                        • <strong>🌳 Umgebung ändern:</strong> Ändert alles AUSSER dem markierten Bereich (Depth+Canny)<br>
                        • <strong>🎯 Focus verändern:</strong> Ändert markierten Bereich+Körper (OpenPose+Canny)<br>
                        • <strong>👤 Ausschließlich Gesicht:</strong> Ändert NUR den markierten Bereich (Depth+Canny)
                        </div>
                        """)
                
                with gr.Row():
                    gr.Markdown("### 📐 Bildelementbereich anpassen")
                
                # SLIDER MIT DYNAMISCHEM MAXIMUM (4096 für große Bilder)
                with gr.Row():
                    with gr.Column():
                        bbox_x1 = gr.Slider(
                            label="← Links (x1)", 
                            minimum=0, maximum=MAX_IMAGE_SIZE, value=100, step=1,
                            info="Linke Kante des Bildelementbereichs"
                        )
                    with gr.Column():
                        bbox_y1 = gr.Slider(
                            label="↑ Oben (y1)", 
                            minimum=0, maximum=MAX_IMAGE_SIZE, value=100, step=1,
                            info="Obere Kante des Bildelementbereichs"
                        )
                with gr.Row():
                    with gr.Column():
                        bbox_x2 = gr.Slider(
                            label="→ Rechts (x2)", 
                            minimum=0, maximum=MAX_IMAGE_SIZE, value=300, step=1,
                            info="Rechte Kante des Bildelementbereichs"
                        )
                    with gr.Column():
                        bbox_y2 = gr.Slider(
                            label="↓ Unten (y2)", 
                            minimum=0, maximum=MAX_IMAGE_SIZE, value=300, step=1,
                            info="Untere Kante des Bildelementbereichs"
                        )
                
                with gr.Row():
                    with gr.Column():
                        img_prompt = gr.Textbox(
                            placeholder="change background to beach with palm trees, keep person unchanged, sunny day",
                            lines=2,
                            label="🎯 Transformations-Prompt (Englisch)",
                            info="Was soll verändert werden? Sei spezifisch."
                        )
                    with gr.Column():
                        img_neg_prompt = gr.Textbox(
                            placeholder="blurry, deformed, ugly, bad anatomy, extra limbs, poorly drawn hands",
                            lines=2,
                            label="🚫 Negativ-Prompt (Englisch)",
                            info="Was soll vermieden werden? Unerwünschte Elemente auflisten."
                        )
                
                with gr.Row():
                    with gr.Column():
                        strength_slider = gr.Slider(
                            minimum=0.1, maximum=0.9, value=0.4, step=0.05,
                            label="💪 Veränderungs-Stärke",
                            info="0.1-0.3: Leichte Anpassungen, 0.4-0.6: Mittlere Veränderungen, 0.7-0.9: Starke Umgestaltung"
                        )
                    with gr.Column():
                        img_steps = gr.Slider(
                            minimum=10, maximum=100, value=35, step=1,
                            label="⚙️ Inferenz-Schritte",
                            info="Anzahl der Verarbeitungsschritte (25-45 für gute Ergebnisse)"
                        )
                    with gr.Column():
                        img_guidance = gr.Slider(
                            minimum=1.0, maximum=20.0, value=7.5, step=0.5,
                            label="🎛️ Prompt-Stärke",
                            info="Einfluss des Prompts auf das Ergebnis (6-10 für natürliche Ergebnisse)"
                        )

                with gr.Row():
                   gr.Markdown(
                     "### 📋 Hinweise:\n"
                     "• **🆕 3 Transformations-Modi** für präzise Kontrolle\n"
                     "• **🆕 Unterstützt Bilder bis 4096×4096 Pixel**\n"
                     "• **🆕 Automatische Bildelementerkennung** setzt Koordinaten beim Upload\n"  
                     "• **🆕 Live-Vorschau** zeigt farbige Rahmen je nach Modus\n"
                     "• **🆕 Dynamische Koordinaten-Schieberegler** passen sich an Bildgröße an\n"
                     "• **ControlNet-Technologie** für konsistente Ergebnisse\n"
                     "• **Automatische Negative Prompts** für bessere Qualität\n"
                     "• **Ausgabe immer 512×512 Pixel** für beste Kontrolle"
                    )
                
                transform_btn = gr.Button("🔄 Bild transformieren", variant="primary")
                
                with gr.Row():
                    img_output = gr.Image(
                        label="✨ Transformiertes Bild (512×512 - SD-Technologie-Limit)",
                        show_download_button=True,
                        type="pil",
                        height=400
                    )
                
                # EVENT-HANDLER FÜR DYNAMISCHE BILDGRÖßEN
                img_input.change(
                    fn=process_image_upload,
                    inputs=[img_input],
                    outputs=[preview_output, bbox_x1, bbox_y1, bbox_x2, bbox_y2]
                ).then(
                    fn=update_slider_for_image,
                    inputs=[img_input],
                    outputs=[bbox_x1, bbox_y1, bbox_x2, bbox_y2]
                )
                
                # NEUE Input-Liste mit mode_radio statt face_preserve
                coordinate_inputs = [img_input, bbox_x1, bbox_y1, bbox_x2, bbox_y2, mode_radio]
                
                # Live-Vorschau Updates für alle Steuerelemente
                for slider in [bbox_x1, bbox_y1, bbox_x2, bbox_y2]:
                    slider.change(
                        fn=update_live_preview,
                        inputs=coordinate_inputs,
                        outputs=preview_output
                    )
                
                # NEU: Mode-Radio-Button ändert auch Live-Vorschau
                mode_radio.change(
                    fn=update_live_preview,
                    inputs=coordinate_inputs,
                    outputs=preview_output
                )
                
                # NEU: Transform-Button mit mode_radio statt face_preserve
                transform_btn.click(
                    fn=img_to_image,
                    inputs=[
                        img_input, img_prompt, img_neg_prompt, 
                        strength_slider, img_steps, img_guidance, 
                        mode_radio, bbox_x1, bbox_y1, bbox_x2, bbox_y2
                    ],
                    outputs=img_output,
                    concurrency_limit=1
                )

    return demo

if __name__ == "__main__":
    demo = main_ui()
    demo.queue(max_size=3)
    demo.launch(
        server_name="0.0.0.0", 
        server_port=7860,
        max_file_size="15MB",
        show_error=True,
        share=False,
        ssr_mode=False  # SSR deaktivieren für Stabilität
    )