Animate Anyone 2発表：静止画のキャラを動かすだけでなく、背景や物体との自然な相互作用も再現

静止画から人物を踊らせるAI動画は大きな話題を呼びましたが、これまでのモデルには決定的な弱点がありました。人物が背景の手前にペラペラと浮いているように見え、周囲の壁や家具、手にする小道具との関係が完全にちぐはぐになってしまう点です。

爆発的な人気を博したAnimate Anyoneの開発チームは今回、後継となるAnimate Anyone 2を発表しました。最大のテーマは、キャラクターに周囲の空間を正しく認識させる「アフォーダンス（環境適応性）」の獲得です。

背景に溶け込ませる空間設計

論文によると、従来の拡散モデルは参照動画から抽出した骨格の動きだけを追従するため、背景との整合性が破綻しがちでした。

Animate Anyone 2では、動作信号に加えて背景環境の表現も条件付け入力として取り込みます。画面から人物を除いた背景領域を定義し、その空間の中にキャラクターを配置・生成していく仕組みを採用しました。これにより、光の当たり方や空間の奥行きに合った自然な描画が可能になります。

さらに、境界線の不自然さを解消するため、形状に依存しないマスク戦略（shape-agnostic mask）を導入し、人物の動きと背景のつながりを柔軟に保てるようにしています。

物体を持つ・触れる動作の破綻を防ぐ

AI動画にとって最も過酷なテストは、道具を持つ手元の描写です。コップを掴んだり箱を運んだりすると、指先が溶けたり物体をすり抜けたりする現象が頻発していました。

これを防ぐため、研究チームは物体ガイダー（object guider）という機構を新たに組み込みました。接触する対象物の特徴量を抽出し、空間ブレンディング技術によって拡散プロセスの適切な位置に注入します。これにより、物体との接触面が安定し、すり抜けや形状崩れを大幅に抑制します。

また、ポーズ変調戦略（pose modulation）も加えられ、これまでよりも激しく多様な動作パターンに対応できるよう調整されました。

なぜ重要か

Animate Anyone 2は、キャラクター生成AIが「単に動かす」段階から「物理空間に馴染ませる」実用段階へと踏み出した重要な一歩だと考えます。

動画制作者やゲーム開発者にとって、人物が環境から浮いてしまう問題は実用化を阻む最大の障壁でした。小道具を持ち、背景の地面をしっかり踏みしめる映像が作れるようになれば、ゲームのカットシーンやショート動画制作のワークフローは一気に現実味を帯びてきます。

アプローチとしても非常に合理的です。モデルを巨大化して力任せに解かせるのではなく、環境条件の分離や物体の空間ブレンディングといった専用モジュールで物理的矛盾を潰しにいっている点は賢明に見えます。

もちろん、複雑な遮蔽や不定形な物体の扱いなど、まだ検証が必要な課題は残っているはずです。それでも、キャラクターを「背景の上に貼ったシール」から「空間の中で動く実体」へと引き上げた意義は決して小さくありません。