NVIDIA lost een hardnekkig lichtprobleem in AI-video op

TL;DR

• Wat: NVIDIA en USC presenteren HorizonRelight, een methode om belichting in langere video's consistent aan te passen zonder zichtbare overgangen tussen videofragmenten.
• Waarom relevant: Videoproductie wordt steeds vaker met AI gedaan — als de belichting in langere video's niet meer springt, komen professionele resultaten binnen handbereik van kleinere budgetten.
• Wat je ermee kunt: Houd deze ontwikkeling in de gaten als je regelmatig bedrijfsvideo's laat maken of overweegt AI-video in te zetten voor marketing of productpresentaties.

Ik kwam deze week een bericht tegen van NVIDIA AI op X over een onderzoeksproject genaamd HorizonRelight. Het klinkt misschien als iets dat alleen filmstudio's aangaat, maar toen ik er wat dieper indook, zag ik een probleem dat eigenlijk iedereen raakt die met AI-gegenereerde video werkt — en dat worden er steeds meer.

Waarom belichting in AI-video zo lastig is

Om te begrijpen wat HorizonRelight doet, moet je eerst weten hoe de meeste AI-videomodellen werken. Ze zijn getraind op korte clips — vaak maar een paar seconden. Als je een langere video wilt maken, wordt die in stukjes ("chunks") verwerkt en achter elkaar geplakt.

Dat werkt prima voor veel toepassingen, maar zodra je de belichting wilt aanpassen — bijvoorbeeld een scène van daglicht naar avondlicht veranderen — loopt het mis. Elk stukje video wordt apart bewerkt, en het model "weet" niet precies hoe het vorige stukje eruitzag. Het resultaat: zichtbare sprongen in licht en kleur op de plekken waar twee chunks aan elkaar grenzen.

Vergelijk het met het schilderen van een lange muur in precies dezelfde kleur, maar je mengt elke emmer verf apart. De kans is groot dat je kleurverschillen ziet op de overgangen. Dat is in essentie wat er in AI-video met belichting gebeurt.

Wat HorizonRelight anders doet

Het team van NVIDIA en de University of Southern California (USC) heeft hier een oplossing voor bedacht. In plaats van elk videofragment los te behandelen, laat HorizonRelight de belichtingsinformatie van het ene fragment "doorstromen" naar het volgende.

Technisch gezien werkt het als volgt: het systeem behandelt het herbelichten als een vertaling tussen twee domeinen — het originele licht en het gewenste licht. Via een techniek die ze "masked target-domain self-conditioning" noemen, leert het model om de context uit het voorgaande stuk mee te nemen. Zo blijft de belichting consistent, ook over langere video's.

Het model is gebouwd op NVIDIA's eigen Cosmos-architectuur, een zogenaamd diffusion transformer-model. Het is getraind met de voorgetrainde gewichten van Cosmos-Predict1-7B-Video2World en vervolgens fijnafgesteld. Die training duurde volgens de onderzoekers ongeveer een maand op 16 NVIDIA H100 GPU's — dat geeft meteen een beeld van de rekenkracht die hier achter zit.

De resultaten zijn gepubliceerd als paper en geaccepteerd bij ECCV 2026, een van de grotere conferenties op het gebied van computer vision. De code is aangekondigd maar nog niet openbaar beschikbaar.

Wat betekent "relighting" eigenlijk in de praktijk?

Herbelichten klinkt misschien als een niche-functie, maar het is eigenlijk een van de meest gewilde mogelijkheden in videoproductie. Stel dat je als ondernemer een productvideo hebt laten opnemen, maar de belichting past niet bij de sfeer van je campagne. Of stel dat je bestaand videomateriaal wilt hergebruiken voor een andere context — wintersfeer in plaats van zomersfeer, bijvoorbeeld.

Traditioneel betekent dat opnieuw filmen, of uren werk voor een colorist en VFX-specialist. Als AI dat betrouwbaar kan doen, en dan ook nog over langere video's zonder zichtbare fouten, dan verschuift er iets in de verhouding tussen kosten en kwaliteit.

Ik vind het eerlijk gezegd fascinerend dat het probleem niet zozeer het herbelichten zelf was — daar bestonden al modellen voor — maar de consistentie over langere video's. Dat is precies het soort detail dat het verschil maakt tussen een technische demo en iets dat je in de echte wereld kunt gebruiken.

Wat dit voor Nederlandse ondernemers kan betekenen

De Nederlandse videoproductiemarkt beweegt snel. Uit recente marktvergelijkingen blijkt dat een professionele bedrijfsvideo in 2026 al snel tussen de €2.000 en €10.000 kost, afhankelijk van de complexiteit. Post-productie — montage, kleurcorrectie, motion graphics — neemt daar een flink deel van in beslag.

AI-videodiensten bieden nu al alternatieven vanaf een paar honderd euro, en Nederlandse bureaus zoals Videobrouwerij en DutchQuest adverteren actief met AI-videoproductie. De kwaliteit stijgt snel.

Maar — en dit is wat mij opvalt — de betrouwbaarheid over langere video's was tot nu toe een zwak punt. Als je een video van dertig seconden of langer nodig hebt met consistente belichting, liep je tegen precies het probleem aan dat HorizonRelight aanpakt.

Kun je je voorstellen wat dit betekent als je regelmatig productdemo's, trainingsmaterialen of socialmediacontent produceert? Het verschil tussen "die AI-video ziet er een beetje raar uit" en "dat ziet er professioneel uit" zit vaak in dit soort subtiele consistentie.

Een kanttekening

Het is belangrijk om te benadrukken dat HorizonRelight op dit moment een onderzoeksproject is. De code is nog niet publiek beschikbaar, en het is niet duidelijk wanneer of in welke vorm dit als product of tool beschikbaar komt. NVIDIA bouwt dit soort onderzoek vaak in in bredere platforms — denk aan hun Omniverse-ecosysteem — maar dat is speculatie van mijn kant.

Wat ik wel kan zeggen: het feit dat dit op ECCV 2026 is gepresenteerd, geeft aan dat het peer-reviewed is en door de academische gemeenschap serieus wordt genomen.

Een stap richting betrouwbare AI-video

Wat mij betreft past HorizonRelight in een breder patroon. We zien steeds meer onderzoek dat zich niet richt op het wow-effect van AI-video — "kijk, een AI kan een video maken!" — maar op de details die bepalen of je het resultaat ook écht kunt gebruiken. Consistentie over langere clips. Betrouwbare belichting. Voorspelbare kwaliteit.

Dat is precies de fase waarin AI-video interessant wordt voor ondernemers. Niet als speeltje, maar als serieus productie-instrument. We zijn er nog niet helemaal, maar elke keer als een fundamenteel probleem zoals chunk-boundary-artefacten wordt opgelost, komt dat moment dichterbij.

Voor mij is dit vooral een signaal dat de afstand tussen "AI-video als experiment" en "AI-video als bedrijfsmiddel" kleiner wordt — niet door spectaculaire nieuwe mogelijkheden, maar door het stilletjes oplossen van de problemen die er nog waren.