Update app.py

app.py

@@ -66,7 +66,6 @@ def load_txt2img():
             use_safetensors=True,
             safety_checker=None,
             requires_safety_checker=False,
-            #clean_up_tokenization_spaces=False #bei der neuen Version ändert sich die Architektur, Clip wird ersetzt/erweitert/integriert. Tokenizer nicht mehr nur auf englisch, kein 77-Token Limit!
         ).to(device)
         
         from diffusers import DPMSolverMultistepScheduler
@@ -81,18 +80,14 @@ def load_img2img():
         try:
             pipe_img2img = StableDiffusionInpaintPipeline.from_pretrained(
                 "runwayml/stable-diffusion-inpainting",
-                #"stabilityai/stable-diffusion-2-inpainting",  # Modell hat Downloadprobleme auf HF
                 torch_dtype=torch_dtype,
-                #use_safetensors=True,  # Erzwinge .safetensors
-                allow_pickle=False,    # Verhindere unsichere Serialisierung
+                allow_pickle=False,
                 safety_checker=None,
-                #clean_up_tokenization_spaces=False #benötigt neue Transformer-Version
             ).to(device)
         except Exception as e:
             print(f"Fehler beim Laden des Modells: {e}")
             raise
 
-        
         from diffusers import DPMSolverMultistepScheduler
         pipe_img2img.scheduler = DPMSolverMultistepScheduler.from_config(
             pipe_img2img.scheduler.config,
@@ -107,7 +102,7 @@ def load_img2img():
 
     return pipe_img2img
 
-# === NEUE CALLBACK-FUNKTIONEN FÜR FORTSCHRITT (kompatibel mit neuer API) ===
+# === NEUE CALLBACK-FUNKTIONEN FÜR FORTSCHRITT ===
 class TextToImageProgressCallback:
     def __init__(self, progress, total_steps):
         self.progress = progress
@@ -115,7 +110,6 @@ class TextToImageProgressCallback:
         self.current_step = 0
     
     def __call__(self, pipe, step, timestep, callback_kwargs):
-        """Neue Callback-Signatur für diffusers >= 1.0.0"""
         self.current_step = step + 1
         progress_percent = (step / self.total_steps) * 100
         self.progress(progress_percent / 100, desc="Generierung läuft - CPU benötigt bis zu 20 Minuten!")
@@ -130,12 +124,9 @@ class ImageToImageProgressCallback:
         self.actual_total_steps = None
 
     def __call__(self, pipe, step, timestep, callback_kwargs):
-        """Neue Callback-Signatur für diffusers >= 1.0.0"""
         self.current_step = step + 1
     
-        # Korrekte Berechnung der tatsächlichen Steps
         if self.actual_total_steps is None:
-            # Bei Strength < 1.0 werden weniger Steps verwendet
             if self.strength < 1.0:
                 self.actual_total_steps = int(self.total_steps * self.strength)
             else:
@@ -153,54 +144,43 @@ def create_preview_image(image, bbox_coords, face_preserve, mode_color):
     if image is None:
         return None
         
-    # Erstelle eine Kopie für die Vorschau
     preview = image.copy()
     draw = ImageDraw.Draw(preview)
     
-    # Rahmenfarbe basierend auf Modus
     if mode_color == "red":
-        border_color = (255, 0, 0, 180)  # Rot mit Transparenz
+        border_color = (255, 0, 0, 180)
         mode_text = "NUR BILDELEMENT VERÄNDERN"
     else:
-        border_color = (0, 255, 0, 180)  # Grün mit Transparenz
+        border_color = (0, 255, 0, 180)
         mode_text = "BILDELEMENT BEIBEHALTEN"
     
-    # Zeichne den Rahmen um das gesamte Bild
     border_width = 8
     draw.rectangle([0, 0, preview.width-1, preview.height-1], 
                   outline=border_color, width=border_width)
     
-    # Zeichne Bounding Box wenn Koordinaten vorhanden
     if bbox_coords and all(coord is not None for coord in bbox_coords):
         x1, y1, x2, y2 = bbox_coords
         
-        # Rahmen für Bounding Box
-        box_color = (255, 255, 0, 200)  # Gelb für Bounding Box
+        box_color = (255, 255, 0, 200)
         draw.rectangle([x1, y1, x2, y2], outline=box_color, width=3)
         
-        # Text-Label für den Modus
         text_color = (255, 255, 255)
         bg_color = (0, 0, 0, 160)
         
-        # Hintergrund für Text
         text_bbox = draw.textbbox((x1, y1 - 25), mode_text)
         draw.rectangle([text_bbox[0]-5, text_bbox[1]-2, text_bbox[2]+5, text_bbox[3]+2], 
                       fill=bg_color)
         
-        # Text zeichnen
         draw.text((x1, y1 - 25), mode_text, fill=text_color)
     
     return preview
 
 def update_live_preview(image, bbox_x1, bbox_y1, bbox_x2, bbox_y2, face_preserve):
     """Aktualisiert die Live-Vorschau bei Koordinaten-Änderungen - NUR wenn Bild vorhanden"""
-    # LÖSUNG 1: Nur ausführen wenn tatsächlich ein Bild vorhanden ist
     if image is None:
         return None
     
     bbox_coords = [bbox_x1, bbox_y1, bbox_x2, bbox_y2]
-    
-    # Bestimme Rahmenfarbe basierend auf Modus
     mode_color = "green" if face_preserve else "red"
     
     return create_preview_image(image, bbox_coords, face_preserve, mode_color)
@@ -210,15 +190,34 @@ def process_image_upload(image):
     if image is None:
         return None, None, None, None, None
     
-    # Auto-Koordinaten generieren
     bbox = auto_detect_face_area(image)
     bbox_x1, bbox_y1, bbox_x2, bbox_y2 = bbox
-    
-    # Vorschau mit grünem Rahmen (Standard: Gesicht beibehalten)
     preview = create_preview_image(image, bbox, True, "green")
     
     return preview, bbox_x1, bbox_y1, bbox_x2, bbox_y2
 
+# === CUSTOM DEBOUNCING FUNKTIONEN ===
+def debounced_update(image, x1, y1, x2, y2, face_preserve, last_time, pending):
+    """Custom Debouncing: Verarbeitet nur Updates nach 500ms Pause"""
+    current_time = time.time() * 1000  # Millisekunden
+    
+    if image is None:
+        return None, last_time, pending
+    
+    if current_time - last_time < 500 and not pending:
+        return gr.skip(), last_time, True
+    
+    result = update_live_preview(image, x1, y1, x2, y2, face_preserve)
+    return result, current_time, False
+
+def force_pending_update(image, x1, y1, x2, y2, face_preserve, last_time, pending):
+    """Erzwingt ein ausstehendes Update"""
+    if image is None:
+        return None, last_time, False
+    
+    result = update_live_preview(image, x1, y1, x2, y2, face_preserve)
+    return result, time.time() * 1000, False
+
 # === FUNKTIONEN ===
 def text_to_image(prompt, steps, guidance_scale, progress=gr.Progress()):
     try:
@@ -228,17 +227,14 @@ def text_to_image(prompt, steps, guidance_scale, progress=gr.Progress()):
         print(f"Starting generation for: {prompt}")
         start_time = time.time()
         
-        # Statusmeldung anzeigen
         progress(0, desc="Generierung läuft - CPU benötigt bis zu 20 Minuten!")
         
         pipe = load_txt2img()
         
-        # ZUFÄLLIGER SEED für Variation
         seed = random.randint(0, 2**32 - 1)
         generator = torch.Generator(device=device).manual_seed(seed)
         print(f"Using seed: {seed}")
         
-        # NEUE Callback-Implementierung
         callback = TextToImageProgressCallback(progress, steps)
         
         image = pipe(
@@ -248,14 +244,13 @@ def text_to_image(prompt, steps, guidance_scale, progress=gr.Progress()):
             num_inference_steps=int(steps),
             guidance_scale=guidance_scale,
             generator=generator,
-            callback_on_step_end=callback,  # NEUE Parameter-Name
-            callback_on_step_end_tensor_inputs=[],  # Keine zusätzlichen Tensor-Inputs
+            callback_on_step_end=callback,
+            callback_on_step_end_tensor_inputs=[],
         ).images[0]
         
         end_time = time.time()
         print(f"Bild generiert in {end_time - start_time:.2f} Sekunden")
         
-        # Robuste Zwischenspeicherung
         return image
         
     except Exception as e:
@@ -270,33 +265,24 @@ def img_to_image(image, prompt, neg_prompt, strength, steps, guidance_scale, fac
             return None
 
         print(f"Img2Img Start → Strength: {strength}, Steps: {steps}, Guidance: {guidance_scale}")
-        print(f"Prompt: {prompt}")
-        print(f"Negativ-Prompt: {neg_prompt}")
-        print(f"Gesicht beibehalten: {face_preserve}")
         start_time = time.time()
 
-        # Statusmeldung anzeigen zur Zeitüberbrückung - Callback wird erst nach ersten Step aufgerufen!
         progress(0, desc="Generierung läuft - CPU benötigt bis zu 20 Minuten!")
 
         pipe = load_img2img()
         img_resized = image.convert("RGB").resize((IMG_SIZE, IMG_SIZE))
 
-        # --- PARAMETER-TUNING ---
-        adj_strength = min(0.85, strength * 1.3) #die optimierten Werte von GPT, Grok sind nicht optimal besser strength vergrößern!
+        adj_strength = min(0.85, strength * 1.3)
         adj_guidance = min(guidance_scale, 12.0)
     
-        
-        # ZUFÄLLIGER SEED für Variation
         seed = random.randint(0, 2**32 - 1)
         generator = torch.Generator(device=device).manual_seed(seed)
         print(f"Using seed: {seed}")
 
-        # --- GESICHTSMASKE ---
         mask = None
         bbox_coords = 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:
-            # Skaliere Koordinaten auf die neue Bildgröße
             orig_width, orig_height = image.size
             scale_x = IMG_SIZE / orig_width
             scale_y = IMG_SIZE / orig_height
@@ -310,7 +296,6 @@ def img_to_image(image, prompt, neg_prompt, strength, steps, guidance_scale, fac
             bbox_coords = scaled_coords
             print(f"Skalierte Koordinaten: {scaled_coords}")
 
-        # Maskenlogik basierend auf face_preserve
         if bbox_coords:
             mask = create_face_mask(img_resized, bbox_coords, face_preserve)
             if mask:
@@ -319,44 +304,34 @@ def img_to_image(image, prompt, neg_prompt, strength, steps, guidance_scale, fac
             print("Keine gültigen Koordinaten - keine Maske angewendet")
             mask = None
 
-        # Detaillierte Debug-Informationen vor dem Pipeline-Aufruf
         print(f"⚙️  PIPELINE-KONFIGURATION:")
         print(f"   - Angefordert: {int(steps)} Steps")
         print(f"   - Strength: {adj_strength:.3f}")
-        print(f"   - Scheduler: {pipe.scheduler.__class__.__name__}")
 
-        # Korrekte Berechnung der tatsächlichen Steps
         actual_steps_from_strength = int(steps * adj_strength)
         print(f"🎯 KORREKTE INTERNE STEP-AUSGABE: {int(steps)} Steps × Strength {adj_strength:.3f} = {actual_steps_from_strength} tatsächliche Schritte")
 
-        # NEUE Callback-Implementierung
         callback = ImageToImageProgressCallback(progress, int(steps), adj_strength)
 
-        # --- PIPELINE-AUFRUF MIT NEUER API ---
         result = pipe(
             prompt=prompt,
             negative_prompt=neg_prompt,
             image=img_resized,
-            mask_image=mask,  # None = gesamtes Bild verändern
+            mask_image=mask,
             strength=adj_strength,
             num_inference_steps=int(steps),
             guidance_scale=adj_guidance,
             generator=generator,
-            callback_on_step_end=callback,  # NEUE Parameter-Name
-            callback_on_step_end_tensor_inputs=[],  # Keine zusätzlichen Tensor-Inputs
+            callback_on_step_end=callback,
+            callback_on_step_end_tensor_inputs=[],
         )
 
-        # ZUSÄTZLICHE AUSGABE: Tatsächliche Steps vom Sceduler-Inpaint berechnet steps intern. Max_step ist aus UI-Übergabe. 
-        # Der Sceduler von Inpaint berechnet steps in Abhängigkeit von strength. Bei text_to_image kein Problem da andere Pipeline!
         try:
             scheduler = pipe.scheduler
             print(f"🔧 SCHEDULER-INFO: {scheduler.__class__.__name__}")
-            print(f"📊 TATSÄCHLICHE STEP-KONFIGURATION: {int(steps)} Schritte mit Strength {adj_strength:.3f}")
-    
             if hasattr(scheduler, 'timesteps'):
                 actual_steps = len(scheduler.timesteps)
                 print(f"🎯 BESTÄTIGTE INTERNE STEP-AUSGABE: Scheduler verwendete {actual_steps} tatsächliche Denoising-Schritte")
-        
         except Exception as e:
             print(f"⚠️  Konnte Scheduler-Info nicht auslesen: {e}")
 
@@ -364,7 +339,6 @@ def img_to_image(image, prompt, neg_prompt, strength, steps, guidance_scale, fac
         print(f"Bild transformiert in {end_time - start_time:.2f} Sekunden")
         
         generated_image = result.images[0]
-
         return generated_image
         
     except Exception as e:
@@ -373,14 +347,6 @@ def img_to_image(image, prompt, neg_prompt, strength, steps, guidance_scale, fac
         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 main_ui():
     with gr.Blocks(
         title="AI Image Generator", 
@@ -418,42 +384,6 @@ def main_ui():
         #start-button:hover {
             background-color: #D3D3D3 !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;
-        }
-        .busy-overlay {
-            background: rgba(0,0,0,0.7);
-            color: white;
-            padding: 20px;
-            border-radius: 10px;
-            text-align: center;
-            font-size: 18px;
-            font-weight: bold;
-        }
         .debounce-notice {
             background: #e3f2fd;
             padding: 10px;
@@ -465,7 +395,6 @@ def main_ui():
         """
     ) as demo:
 
-        # --- Info-Bereich (Startseite) ---
         gr.Markdown(
             """
             # Demo-Projekt: Stable Diffusion Text-to-Image / Image-to-Image
@@ -473,91 +402,33 @@ def main_ui():
             
             <div class="info-box">
             Dieses Projekt ist ein kleines <strong>Demo</strong> um meine Fähigkeiten als <strong>AI-Engineer</strong>
-            in technischer Kompetenz und selbstständiger Projektstrukturierung zu zeigen.<br>
-            Der Fokus liegt auf <strong>Struktur, Konzept und technischer Umsetzung</strong>
-            im Bereich Text-to-Image / Image-to-Image mit dem Diffusionsmodell "Stable Diffusion" <br>
-            <strong>nicht</strong> auf einer vollständigen Produktionsversion.
-            </div>
-            <br>
-           
-            <div class="info-box">
-            Zudem führt der Link
-            <a class="clickable-file" href="https://huggingface.co/spaces/Astridkraft/Dokumentation" target="_blank">Roadmap</a>
-            zu einer <strong>durchdachten, skalierbaren, professionellen Code-Architektur</strong> für Text-to-Image- und Image-to-Image-Entwicklung <br>
-            die die <strong>gesamte Komplexität einer professionellen Umsetzung</strong> verdeutlicht.<br><br>     
-            Die damit gezeigten Fähigkeiten meinerseits sind <strong>sicherlich auf andere Projekte übertragbar</strong>.
-            </div>         
-            <br><br>
-            
-            <div class="info-box">
-            <strong>Hinweis:</strong><br>
-            Die Anwendung läuft derzeit auf <strong>CPU</strong> ist jedoch <strong>vollständig GPU-fähig </strong>.
-            Deshalb muss bei jeder Generierung eine <strong>längere Wartezeit</strong> eingeplant werden.<br>
-            Bei <strong>Verbindungsabbrüchen</strong> -insbesondere bei CPU-Nutzung- wird die aktuelle Generierung zunächst serverseitig vollständig abgeschlossen, <br>
-            bevor neue Anfragen bearbeitet werden. Das generierte Bild wird in diesem Fall <strong>nicht angezeigt</strong>. 
-            Die Meldung <strong>Connection re-established</strong> signalisiert, dass <br>
-            die Verbindung wiederhergestellt wurde, die laufende Verarbeitung jedoch priorisiert wird. In der Konsequenz werden neue <br>
-            Generierungsanfragen in eine Warteschlange gestellt und erst nach vollständigem Abschluss der aktuellen serverseitigen Berechnung verarbeitet.
-            </div>
-             <br>
-             
-            <div class="info-box">
-            <strong>Technischer Hintergrund:</strong> <br>
-            Es handelt sich um einen bekannten <strong>Gradio-Bug</strong> - das Framework bietet keine Möglichkeit, generierte Bilder zwischenzuspeichern <br>
-            um sie bei UI-Neuladung aus dem Zwischenspeicher zurückzugeben. Dies macht sich <strong>besonders bei CPU-Nutzung bemerkbar</strong>, <br>
-            da die Transformationszeiten hier deutlich länger sind und es dadurch vermehrt zu Timeouts und daraus resultierenden UI-Abbrüchen kommen kann.<br>
-            Aus diesem Grund kann das Ergebnis nicht an die neu geladene Benutzeroberfläche übermittelt werden obwohl die Bildgenerierung serverseitig <br>
-            vollständig abgeschlossen wird.
-            </div>
-            <br>
-            <div class="info-box">
-            <strong>Anwendungsbereich:</strong><br>
-            Die <strong>Bild-zu-Bild-Funktion</strong> ermöglicht eine gezielte Bearbeitung eines <strong>beliebigen Objektes oder Bereiches</strong> in einem Bild.<br>
-            Sie unterstützt zwei Modi:<br>
-            &nbsp;&nbsp;• <strong>Beibehaltung eines ausgewählten Bildbereiches innerhalb eines Rechtecks</strong> (z. B. Gesicht, Objekt, Tier, Gegenstand) bei Veränderung des Rests,<br>
-            &nbsp;&nbsp;• oder <strong>Veränderung des rechteckigen Bildbereiches</strong> bei Erhaltung der Umgebung.<br>
-            <br>
-            <strong>Wichtig:</strong> Das Objekt das beibehalten oder verändert werden soll - je nach gewähltem Modus - muss <strong>im Prompt</strong> klar beschrieben werden.<br>
-            Die Verwendung eines <strong>Negativ-Promptes</strong> ist sinnvoll, um unerwünschte Veränderungen zu vermeiden.
-            </div>
-            <br>
-            
-            <div class="info-box">
-            <strong>Empfehlung:</strong><br>
-            Für eine präzise Abstimmung der zentralen Parameter – Prompt, Negativ-Prompt, Veränderungsstärke (Strength), Inferenz-Schritte (Steps) <br>
-            und Prompt-Stärke (Guidance) – liefern leistungsfähige Sprachmodelle wie GPT, Grok oder DeepSeek hochqualitative, kontextbezogene Vorschläge.<br>
-            Prompt und Negativ-Prompt sollten auf <strong>Englisch</strong> eingegeben werden, da "Stable Diffusion" mit Bild-Text-Paaren auf Englisch trainiert <br>
-            wurde und CLIP einen Tokenizer für ein englisches Vokabular nutzt. Der CLIP-Tokenizer hat außerdem ein <strong>Limit von 77 Token</strong>, wodurch längere <br>
-            Prompteingaben automatisch abgeschnitten werden. Deutsche Wörter werden zwar übersetzt, führen aber zu Verzerrungen.
+            in technischer Kompetenz und selbstständiger Projektstrukturierung zu zeigen.
             </div>
             """
         )
 
-        # --- Button zentriert im unteren Drittel, Taupe-Farbe ---
         with gr.Row():
-            with gr.Column(scale=1):  # Linker Leerraum
+            with gr.Column(scale=1):
                 pass
-            with gr.Column(scale=1, min_width=300):  # Mittig, feste Mindestbreite
+            with gr.Column(scale=1, min_width=300):
                 start_btn = gr.Button(
                     "Weiter zur Anwendung",
                     variant="primary",
                     size="lg",
                     elem_id="start-button"
                 )
-            with gr.Column(scale=1):  # Rechter Leerraum
+            with gr.Column(scale=1):
                 pass
 
-        # --- Hauptanwendungsbereich (zunächst versteckt) ---
         with gr.Column(visible=False) as content_area:
             with gr.Tab("Text zu Bild"):
                 gr.Markdown("**Beschreibe dein gewünschtes Bild (maximal 77 Token):**")
                 
                 with gr.Row():
                     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, Eingabe unten:(Schritt Inferenz:35, Prompt-Stärke:9)",
+                        placeholder="z.B. ultra realistic mountain landscape at sunrise...",
                         lines=2,
                         label="Prompt (Englisch)",
-                        info="Beschreibe detailliert, was du sehen möchtest. Verwende Kommas zur Trennung."
                     )
                 
                 with gr.Row():
@@ -565,13 +436,11 @@ def main_ui():
                         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",
-                            info="Wie stark der Prompt befolgt wird (7-12 für gute Balance)"
                         )
                 
                 generate_btn = gr.Button("Bild generieren", variant="primary")
@@ -591,7 +460,6 @@ def main_ui():
             with gr.Tab("Bild zu Bild"):
                 gr.Markdown("**Lade ein Bild hoch und beschreibe die gewünschte Veränderung:**")
                 
-                # LÖSUNG 2: Debouncing-Hinweis
                 gr.Markdown(
                     """
                     <div class="debounce-notice">
@@ -602,7 +470,6 @@ def main_ui():
                     elem_id="debounce-notice"
                 )
                 
-                # NEUE ANORDNUNG: Eingabebild und Live-Vorschau nebeneinander
                 with gr.Row():
                     with gr.Column():
                         img_input = gr.Image(
@@ -614,21 +481,19 @@ def main_ui():
                         )
                     with gr.Column():
                         preview_output = gr.Image(
-                            label="Live-Vorschau mit Maske (wird bei Bild-Upload aktiviert)",
+                            label="Live-Vorschau mit Maske",
                             height=300,
                             interactive=False,
                             show_download_button=False
                         )
                 
-                # DARUNTER: Checkbox Gesicht/Person oder Umgebung ändern
                 with gr.Row():
                     face_preserve = gr.Checkbox(
                         label="Schutz", 
                         value=True,
-                        info="🟢 Checkbox AN: Alles AUSSERHALB des gelben Rahmens verändern| 🔴 Checkbox AUS: Nur INNERHALB des gelben Rahmens verändern"
+                        info="🟢 AN: Umgebung verändern | 🔴 AUS: Nur Bereich verändern"
                     )
                 
-                # DARUNTER: Bildelementbereich anpassen
                 with gr.Row():
                     gr.Markdown("**Bildelementbereich anpassen**")
                 
@@ -637,76 +502,113 @@ def main_ui():
                         bbox_x1 = gr.Slider(
                             label="Links (x1)", 
                             minimum=0, maximum=512, value=100, step=1,
-                            info="Linke Kante des Bildelementbereichs"
                         )
                     with gr.Column():
                         bbox_y1 = gr.Slider(
                             label="Oben (y1)", 
                             minimum=0, maximum=512, 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=512, value=300, step=1,
-                            info="Rechte Kante des Bildelementbereichs"
                         )
                     with gr.Column():
                         bbox_y2 = gr.Slider(
                             label="Unten (y2)", 
                             minimum=0, maximum=512, value=300, step=1,
-                            info="Untere Kante des Bildelementbereichs"
                         )
                 
-                # DARUNTER: Prompt und Negativ-Prompt
+                # === CUSTOM DEBOUNCING IMPLEMENTIERUNG ===
+                last_update_time = gr.State(value=0)
+                update_pending = gr.State(value=False)
+                
+                debounce_inputs = [img_input, bbox_x1, bbox_y1, bbox_x2, bbox_y2, face_preserve, last_update_time, update_pending]
+                
+                bbox_x1.change(
+                    fn=debounced_update,
+                    inputs=debounce_inputs,
+                    outputs=[preview_output, last_update_time, update_pending],
+                    queue=True,
+                    preprocess=False
+                )
+                
+                bbox_y1.change(
+                    fn=debounced_update,
+                    inputs=debounce_inputs,
+                    outputs=[preview_output, last_update_time, update_pending],
+                    queue=True,
+                    preprocess=False
+                )
+                
+                bbox_x2.change(
+                    fn=debounced_update,
+                    inputs=debounce_inputs,
+                    outputs=[preview_output, last_update_time, update_pending],
+                    queue=True,
+                    preprocess=False
+                )
+                
+                bbox_y2.change(
+                    fn=debounced_update,
+                    inputs=debounce_inputs,
+                    outputs=[preview_output, last_update_time, update_pending],
+                    queue=True,
+                    preprocess=False
+                )
+                
+                face_preserve.change(
+                    fn=force_pending_update,
+                    inputs=debounce_inputs,
+                    outputs=[preview_output, last_update_time, update_pending],
+                    queue=True,
+                    preprocess=False
+                )
+                
+                img_input.change(
+                    fn=process_image_upload,
+                    inputs=[img_input],
+                    outputs=[preview_output, bbox_x1, bbox_y1, bbox_x2, bbox_y2],
+                    queue=False
+                ).then(
+                    fn=force_pending_update,
+                    inputs=[img_input, bbox_x1, bbox_y1, bbox_x2, bbox_y2, face_preserve, last_update_time, update_pending],
+                    outputs=[preview_output, last_update_time, update_pending],
+                    queue=True
+                )
+                # === ENDE DEBOUNCING IMPLEMENTIERUNG ===
+                
                 with gr.Row():
                     with gr.Column():
                         img_prompt = gr.Textbox(
-                            placeholder="change background to beach with palm trees, keep person unchanged, sunny day",
+                            placeholder="change background to beach with palm trees...",
                             lines=2,
-                            label="Transformations-Prompt (Englisch - maximal 77 Token)",
-                            info="Was soll verändert werden? Sei spezifisch."
+                            label="Transformations-Prompt (Englisch)",
                         )
                     with gr.Column():
                         img_neg_prompt = gr.Textbox(
-                            placeholder="blurry, deformed, ugly, bad anatomy, extra limbs, poorly drawn hands",
+                            placeholder="blurry, deformed, ugly, bad anatomy...",
                             lines=2,
-                            label="Negativ-Prompt (Englisch - maximal 77 Token)",
-                            info="Was soll vermieden werden? Unerwünschte Elemente auflisten."
+                            label="Negativ-Prompt (Englisch)",
                         )
                 
-                # DARUNTER: Veränderungsstärke, Inferenzschritte, Promptstärke
                 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(
-                     "**Achtung:**\n"
-                     "• **🆕 Automatische Bildelementerkennung** setzt Koordinaten beim Upload\n"  
-                     "• **🆕 Live-Vorschau** zeigt farbige Rahmen je nach Modus (🔴 Rot / 🟢 Grün)\n"
-                     "• **🆕 Koordinaten-Schieberegler** für präzise Anpassung mit Live-Update\n"
-                     "• **Koordinaten nur bei erkennbaren Verzerrungen anpassen** (Bereiche leicht verschieben)\n"
-                     "• **🆕 Optimierte Performance**: Live-Updates mit Verzögerung für bessere Stabilität"
-                    )
-                
                           
                 transform_btn = gr.Button("Bild transformieren", variant="primary")
                 
@@ -717,58 +619,6 @@ def main_ui():
                         type="pil"
                     )
                 
-                # NEUE: Event-Handler für alle Live-Updates mit DEBOUNCING
-                # Bild-Upload: Auto-Koordinaten + Vorschau
-                img_input.change(
-                    fn=process_image_upload,
-                    inputs=[img_input],
-                    outputs=[preview_output, bbox_x1, bbox_y1, bbox_x2, bbox_y2],
-                    queue=False  # WICHTIG: Keine Queue für initialen Upload
-                )
-                
-                # LÖSUNG 2: Live-Updates mit DEBOUNCING bei Koordinaten-Änderungen
-                coordinate_inputs = [img_input, bbox_x1, bbox_y1, bbox_x2, bbox_y2, face_preserve]
-
-                # Jeder Koordinaten-Schieberegler mit Debouncing - NUR wenn Bild vorhanden
-                def safe_update_live_preview(image, bbox_x1, bbox_y1, bbox_x2, bbox_y2, face_preserve):
-                    """Aktualisiert die Vorschau nur wenn ein Bild vorhanden ist"""
-                    if image is None:
-                        return None
-                    return update_live_preview(image, bbox_x1, bbox_y1, bbox_x2, bbox_y2, face_preserve)
-                    
-                # Ändere die Schieberegler-Definitionen:
-                bbox_x1 = gr.Slider(
-                    label="Links (x1)", 
-                    minimum=0, maximum=512, value=0, step=1,  # value=0 statt 100
-                    info="Linke Kante des Bildelementbereichs"
-                )
-                bbox_y1 = gr.Slider(
-                    label="Oben (y1)", 
-                    minimum=0, maximum=512, value=0, step=1,  # value=0 statt 100
-                    info="Obere Kante des Bildelementbereichs"
-                )
-                bbox_x2 = gr.Slider(
-                    label="Rechts (x2)", 
-                    minimum=0, maximum=512, value=0, step=1,  # value=0 statt 300
-                    info="Rechte Kante des Bildelementbereichs"
-                )
-                bbox_y2 = gr.Slider(
-                    label="Unten (y2)", 
-                    minimum=0, maximum=512, value=0, step=1,  # value=0 statt 300
-                    info="Untere Kante des Bildelementbereichs"
-                )
-                
-            
-                # Live-Update bei Modus-Änderung
-                face_preserve.change(
-                    fn=update_live_preview,
-                    inputs=coordinate_inputs,
-                    outputs=preview_output,
-                    #queue=True,
-                    preprocess=False
-                )
-                
-                # Transform-Button (UNVERÄNDERT - gibt OUTPUT zurück)
                 transform_btn.click(
                     fn=img_to_image,
                     inputs=[
@@ -780,13 +630,11 @@ def main_ui():
                     concurrency_limit=1
                 )
 
-        # Sammle alle Info-Komponenten, die versteckt werden sollen
         info_components = []
         for child in demo.children:
             if child != content_area:
                 info_components.append(child)
 
-        # Event-Handler für Start-Button
         start_btn.click(
             fn=lambda: gr.update(visible=True),
             inputs=None,
@@ -797,23 +645,10 @@ def main_ui():
             outputs=info_components
         )
 
-        # ZUSÄTZLICHER FIX: Deaktiviere initiale Events
-        with gr.Blocks() as temp_block:
-            pass
-
-        # Setze die Event-Handler erst NACH der Initialisierung
-        demo.load(
-            fn=lambda: None,
-            inputs=None,
-            outputs=None,
-            queue=False
-        )
-
     return demo
 
 
 if __name__ == "__main__":
-    # MODELLE VORAB LADEN
     print("Pre-loading models...")
     load_txt2img()
     load_img2img()