単一画像から骨格付き3Dモデルを生成する「AniGen」公開、そのままアニメーション可能

画像から3Dモデルを生成するAIは急速に進化していますが、出力されるアセットの多くは動かせない「石像」にすぎませんでした。ゲームや映像で動かすには、骨組みを組み込んでウェイトを調整する「リギング」という地道で過酷な手作業が不可欠でした。

4月9日に公開されたオープンソースプロジェクト「AniGen」は、この壁を一気に飛び越えようとしています。たった1枚の画像から、関節リグとスキンウェイトがあらかじめ組み込まれた3Dモデルを直接生成します。

形状と骨格を同時に生成する「S³ Fields」

従来のワークフローでは、生成した3Dモデルに後から自動リギングツールを適用するのが一般的でした。しかしこの方法では、骨が皮膚を突き破ったり、関節を曲げたときに不自然に潰れたりする破綻が頻発します。

AniGenはこの問題を解決するため、形状（Shape）、骨格（Skeleton）、スキンウェイト（Skin）を同一の空間で統合して扱う「S³ Fields」を導入しました。

ボーン予測の曖昧さを抑える信頼度減衰スケルトンフィールドに加え、関節数に縛られずにウェイトを計算できるデュアルスキン特徴フィールドを採用しています。これにより、モデル構造を変更することなく、シンプルな道具から複雑な動物まで柔軟に対応できます。

内部的には2段階のFlow Matchingパイプラインを採用しており、まず大まかな構造の足場を作り、その後に高密度なジオメトリと関節を生成する仕組みです。

デスクライトからサメまで自在に可動

公開されたデモでは、無機物から生物まで幅広いオブジェクトの自動リギングが確認できます。

卓上スタンドの写真を読み込ませると、アームのヒンジ部分を自動認識して可動リグを生成し、自由に向きを変えられるモデルに仕上がります。サメの画像を入れれば背骨に沿ったリグが割り当てられて滑らかに泳ぎ、犬の画像からも関節が正しく配置された走るモデルが作られます。

競合ツールとの比較評価でも、セグメンテーションや骨格推定の精度において正解データ（Ground Truth）に最も近い数値を記録しました。

AniGenのコードとローカル実行手順はすでに公開されています。ただし、手元で動かすには少なくとも18GB以上のVRAMを積んだNVIDIA製GPUが必要です。

なぜ重要か

AniGenは、3D生成AIが「見た目を真似る段階」から「インタラクティブに動く段階」へと移行したことを象徴しています。

インディーゲーム開発者や個人クリエイターにとって、アセットひとつひとつに骨を仕込む作業は最大のボトルネックでした。画像からそのままアニメーション可能なデータが得られれば、試作やアセット制作のスピードは桁違いに上がります。また、扉の開閉や道具の操作をシミュレーションする必要があるロボット工学や身体性AI（Embodied AI）の研究にとっても極めて強力な基盤技術となります。

後処理で無理やり骨を埋め込むのではなく、形状の生成と同時に骨格を解くアプローチは非常に合理的です。18GBというVRAM要件は一般的なPCにはややハードルが高いものの、動く3Dアセットの自動生成が実用レベルに近づいていることをはっきりと示しています。