Wie ooit met een AI-videogenerator heeft gewerkt, kent het probleem: een personage ziet er in de eerste scène veelbelovend uit, maar verandert in de volgende shot onherkenbaar. Ogen krijgen een andere kleur, kleding wisselt van stijl en de gezichtsstructuur verschuift subtiel. Bij korte clips valt dat soms nog te maskeren, maar bij langere verhalen, commercials of series wordt het al snel een dealbreaker. Deze zogenaamde karakterdrift is een van de grootste obstakels voor professionele AI-videoproductie.
Multi-image fusie verandert dat. In plaats van één enkele prompt of één referentiebeeld te gebruiken, combineert de technologie meerdere beelden van hetzelfde personage tot één stabiele identiteit. Die identiteit blijft overeind, ook bij complexe bewegingen, wisselende belichting of verschillende camerastandpunten. Het resultaat: filmische kwaliteit met de consistentie die voorheen alleen haalbaar was via dure visuele-effectenteams.
In dit artikel duiken we in de technologie achter multi-image fusie, leggen we uit hoe je er zelf direct mee aan de slag gaat en waarom dit de toekomst is van AI-gedreven storytelling.
Wat is multi-image fusie?
Multi-image fusie is een methode waarbij een AI-systeem leert wat een personage uniek maakt door meerdere referentiebeelden tegelijk te analyseren. Het gaat verder dan het herhalen van één prompt of het toepassen van inpainting. Het systeem extraheert de kernkenmerken, zoals gezichtsgeometrie, huidtextuur, haarkleur en typische houdingen, en combineert die tot een zogenaamde karaktervector.
Die karaktervector fungeert als een anker voor elke volgende generatie. Of je nu een close-up, een totaalshot of een snelle actiescene genereert, de identiteit van het personage blijft gekoppeld aan dat anker. Het is alsof je een digitale stunt-dubbel cast, die in elke scène exact dezelfde persoon blijft.
Voor wie wil experimenteren met referentiebeelden is een AI-beeldgenerator een goed startpunt. Je kunt daarmee in korte tijd verschillende versies van een personage maken om te ontdekken welke combinatie van kenmerken het sterkste fundament vormt.
De technologie: van latente ruimte naar karaktervector
De kern van multi-image fusie ligt in de latente ruimte van het AI-model. Beelden worden niet opgeslagen als losse pixels, maar als vectoren in een high-dimensionale ruimte. Tijdens de fusie zoekt het systeem naar het snijvlak van alle referentiebeelden: de kenmerken die in elke afbeelding aanwezig blijven, vormen samen de kernidentiteit.
Een belangrijk onderdeel is het gewogen gemiddelde van kenmerkvectoren. Niet elk referentiebeeld is even bruikbaar. Een onscherpe foto of een frame met extreme belichting krijgt een lager gewicht, zodat het de uiteindelijke vector niet verstoort. Daarnaast scheidt de technologie identiteit van stijl. De karaktervector blijft zuiver, terwijl omgevingsfactoren zoals korrel, kleurpalet en lichtinval apart worden opgeslagen. Daardoor kan hetzelfde personage in een andere scène of een compleet andere visuele stijl verschijnen zonder dat de herkenbaarheid verloren gaat.
Deze aanpak werkt bovendien model-agnostisch. Je kunt dezelfde karaktervector koppelen aan verschillende generatieve modellen, afhankelijk van wat je nodig hebt. Wil je een fotorealistische uitvoer of juist een gestileerde look, de vector blijft het uitgangspunt. Binnen de Domer AI-tools kun je meerdere modellen en stijlen combineren rond dezelfde visuele identiteit.
Een handige volgende stap is de image-to-image pipeline. Daarmee vertrek je vanuit een bestaand beeld en genereer je variaties zonder de essentiële kenmerken van het personage te verliezen. Zo kun je bijvoorbeeld dezelfde persoon in een andere outfit of een nieuwe omgeving plaatsen, terwijl de gezichtsstructuur en uitstraling intact blijven.
Zo ga je praktisch te werk
Een goede multi-image fusie begint bij het verzamelen van sterke referentiebeelden. Upload minimaal drie tot tien beelden van hetzelfde personage, bij voorkeur met verschillende gezichtshoeken, uitdrukkingen en belichtingssituaties. Een breed scala aan poses helpt het systeem om de vaste gezichtskenmerken te onderscheiden van toevalstreffers in een enkele foto.
Vervolgens bepaal je welke kenmerken zwaarder wegen. Sommige tools bieden visuele schuifregelaars waarmee je bijvoorbeeld gezichtsstructuur, haarkleur of oogvorm prioriteit geeft. Na het instellen wordt de karaktervector berekend en opgeslagen als herbruikbaar asset. Vanaf dat moment kun je die vector in elke videogeneratie aanroepen.
Het mooie is dat dit niet-destructief is. De originele beelden blijven behouden en je kunt op elk moment de fusie aanpassen als je een personage een ander kapsel of een oudere versie wilt geven. Zie het als een karakterdossier dat je continu verfijnt.
Filmische kwaliteit: camera, lens en beweging
Karakterconsistentie is de basis, maar filmische kwaliteit vraagt meer. Ook de cameravoering en de sfeer moeten over de hele productie heen stabiel zijn. Door de karaktervector te combineren met cinematografische parameters krijg je controle over zaken als scherptediepte, lensflare en motion blur.
Traditioneel was dit het terrein van een cameraman of een dure VFX-pijplijn. In AI-gestuurde producties vertaal je die intentie naar instructies voor het model. Wil je een low-angle shot met een lage scherptediepte, dan wordt die combinatie toegepast op de gevestigde karakteridentiteit. Het gezicht blijft haarscherp en de achtergrond valt subtiel weg, precies zoals je dat in een bioscoopproductie verwacht.
Ook bij thematische overgangen, bijvoorbeeld van een realistische setting naar een geanimeerde wereld, blijft de core-identiteit behouden. De stijl kan veranderen, maar het personage blijft herkenbaar. Voor makers die variatie willen zonder de continuïteit te verliezen, is dat een enorme stap vooruit.
Modellen combineren rond dezelfde identiteit
In de praktijk wil je niet voor elke stap een nieuw model of een nieuwe prompt inzetten. Je wilt één bron van waarheid voor je personage, die op elk moment in het productieproces beschikbaar is. Multi-image fusie maakt dat mogelijk door de karaktervector over te dragen aan verschillende generatieve engines.
Voor stilstaande beelden en referentieframes kun je bijvoorbeeld een sterk beeldmodel gebruiken, zoals GPT Image 2. Voor videosequenties die vloeiend en fysiek geloofwaardig moeten zijn, past een videomodel als Seedance 2.0 beter. Omdat dezelfde karaktervector wordt gebruikt, blijft het personage consistent, zelfs als de onderliggende technologie compleet verschilt.
Dat maakt een hybride workflow mogelijk: gebruik het ene model voor een sfeervolle key visual, een ander voor de beweging en weer een ander voor de uiteindelijke compositie. De consistentie zit niet langer in een enkele output, maar in de slimme combinatie van al die outputs.
Voordelen voor de productiepijplijn
De voordelen reiken verder dan mooie beelden. Een consistente karaktergenerator levert directe winst op in tijd, budget en creatieve vrijheid.
Ten eerste daalt de postproductie-overhead aanzienlijk. Omdat het personage in elke gegenereerde frame al overeenkomt met de referentie, is er minder kleurcorrectie, retouche en handmatige stabilisatie nodig. Frames die voorheen om onverklaarbare redenen verschilden in huidtint of oogopslag, rollen nu zonder conflicten de montage in.
Ten tweede verbetert de narratieve diepgang. Een kijker kan zich alleen aan een verhaal hechten als het personage betrouwbaar is. Kleine afwijkingen in gelaatstrekken of kleding doorbreken de immersie en halen je uit het verhaal. Multi-image fusie zorgt dat die afwijkingen verdwijnen, zodat de emotionele impact van een scène overeind blijft.
Ten derde wordt batchproductie eindelijk haalbaar. Voor een serie of campagne wil je in één sessie meerdere shots genereren die naadloos op elkaar aansluiten. Met een gevalideerde karaktervector kun je die shots sneller produceren en hoef je niet elk frame opnieuw te verfijnen. Dit verlaagt de productietijd aanzienlijk en maakt AI-video toegankelijker voor teams met strakke deadlines.
Aan de slag met consistente karakters
Wil je zelf aan de slag? Begin klein en experimenteer. Kies een personage waarvan je meerdere referentiebeelden hebt, stel de fusie in en draai een testsequentie met een paar contrasterende shots. Let daarbij op hoe gezichtsdetails, kleding en belichting zich gedragen over de frames. Blijf itereren tot de karaktervector de gewenste stabiliteit oplevert.
De grootste fout die makers maken, is te weinig variatie in de referentiebeelden. Een personage alleen op dezelfde plek en met dezelfde belichting fotograferen levert een zwakke vector op. Hoe diverser de input, hoe steviger het anker. Denk aan close-ups, profielfoto’s, verschillende emoties, verschillende kledingstijlen en zowel natuurlijk als kunstlicht.
Combineer dat vervolgens met duidelijke regie-instructies voor camera en beweging. Zo bouw je stap voor stap aan een workflow waarin je consistentie niet langer aan het toeval overlaat, maar ontwerpt. De volgende keer dat je een AI-videoproject start, hoef je niet meer te hopen dat het personage zichzelf blijft. Je zorgt er gewoon voor dat het gebeurt.
