アニメモデルが棒人間を読めるようになった。0.37 から 0.83 への差が本題だ

11月2日、Anima-Control-Pose というリポジトリが公開された。アニメ画像モデル向けのポーズガイドのプレビュー版だ。参考写真を渡すと、同梱の検出器が人物の上に骨格を描き、キャラクターがその骨格に沿って動く。
リリースノートは短く、そして珍しいほど具体的に、うまくいかない点を書いている。走る、跳ぶ、座るのポーズが最も不安定だ。手はまだ融合してしまう。検出器は写真で学習しているので、アニメの絵を読むのは苦手だ。
この最後の一行こそ、作者が実際にこのツールを使った証拠になる。
ポーズ制御は何のためか、アニメに専用のものが要る理由
ポーズの条件付けは、汎用の画像生成ではもう解決済みの問題だ。骨格のオーバーレイ、深度マップ、エッジマップといった制御入力は数年前から標準で、汎用モデルも人物写真ならそれなりの精度で扱える。
アニメは別の問題になる。プロポーションは様式化されていて、頭は大きく、手足は細い。手は撮影された形状ではなく、五本のきれいな線として描かれる。写真で学習した検出器が漫画の一コマを見ると、骨格は胴体ではおおよそ合っていて、それ以外は全部外れる。頼りにしている手がかり、つまり関節の盛り上がりや肌の陰影が、そこには存在しないからだ。
だからアニメのパイプラインには同時に二つが要る。モデルが追随できる制御信号と、その信号を、絵師が実際に手元に持っているものから導く手段だ。手元にあるのはたいてい、ラフ、参考写真、あるいは粗い人型だ。
Anima-Control-Pose は後者の道を取る。写真を入れて、骨格を出し、キャラクターが従う。ポーズの参考写真を持っているイラストレーターが本当に欲しいのはこの流れで、このツールが存在する理由もそこにある。
その数字と、それが測っているもの
作者の説明では、1024 ピクセルでポーズ精度がアドオンなしの約 0.37 から、ありの場合の約 0.83 に上がる。512 と 768 では伸びは小さい。
この数字については、切り分けて見るべき点が三つある。
一つ目、これは作者自身の指標で、作者自身の評価セットで測ったものだ。第三者の検証も、標準的なベンチマークもなく、何をもって正確なポーズとするかの手順も書かれていない。方向を示す数字としては使えるし、アドオンが相応の仕事をしている証拠にもなる。だが公表されたベンチマークの数値と並べて比べられるものではない。
二つ目、解像度への依存は仕組みとして筋が通る。キャラクターが占めるピクセルが減れば、骨格の抽出もポーズの追従も劣化する。512 ピクセルのアニメ生成は制御レイヤーにとって昔から難しいケースだ。そこで伸びが縮むのは制限であって、脚注ではない。
三つ目、0.37 と 0.83 の間の差こそが面白い半分だ。ポーズ追従が 0.37 のモデルは使えないわけではない。姿勢はおおよそ合っていて、手足がその周辺で何かしている程度のキャラクターを出すモデルだ。絵師はそれを引き直しでしのぐ。0.83 になると、引き直しが演出に変わる。一枚のカットに何回生成が要るかが変わってくる。
それでもできない三つのこと
カードに三つ挙げられている。そのまま受け取る価値がある。
走る、跳ぶ、座るが最も不安定だ。理由を考えてみる。これらのポーズには自己遮蔽、短縮法、そして見えない面との接触が絡む。骨格が符号化するのは関節位置で、関節位置は身体が折り畳まれるときにこそ最も情報量が少ない。座ったキャラクターの股関節の角度は、棒人間には見えない。
手は融合する。手は生成画像で最も古い失敗で、それを直すのがポーズ条件付けだったことはない。検出器は手首と指のキーポイントを低い確信度で出し、モデルは手らしきものを描き、絵師が描き直す。制作現場のアニメパイプラインには必ず手の修正工程がある。このツールはその工程を消してはいない。
検出器はアニメの絵を読み違える。これが構造的な問題だ。写真が得意なのは、写真で学習したからだ。参考が漫画のコマ、ラフ、あるいは別の AI 生成画像なら、描かれる骨格はもっともらしく見えて間違っていることがあり、間違った骨格は自信たっぷりに間違ったキャラクターを生む。
この三つ目の制限が、ツールの範囲を決めている。パイプラインの先頭に立ち、現実の参考を制御信号に変換する。アニメ画像とアニメ画像をつなぐ橋ではない。
0.37 というベースラインは、ベースモデルについての言明でもあり、そう読む価値がある。アドオンなしで骨格に従わせると、アニメモデルはポーズのおよそ三分の一しか合わせられない。絵師がそれを回避するためにやってきたこと、img2img を一回通すことから腕を一本ずつ修正することまで、すべてその数字から来ている。0.83 に上げれば労力は減るが、結果を確認する工程は消えない。
何が配布され、使うのに何がかかるか
パッケージは控えめだ。ComfyUI のノードフォルダが二つ、pose_control_demo.json を入口とするサンプルワークフローが四つ、そして約 316MB の検出器。
配布経路としての ComfyUI は今や標準で、見過ごせない副作用がある。ワークフローの JSON は同時にドキュメントであり、チュートリアルであり、再現性を確かめる材料でもある。ファイルを読み込めれば、作者が使ったパラメータがすべて見える。ほとんどのモデル公開が決して提供しない種類の開示だ。つまりツールの挙動はあなたのマシンとあなたの seed で再現できる。0.83 という主張が作者以外の誰かに検証可能になる唯一の方法でもある。
重みは非商用だ。大きな趣味コミュニティを抱えるアニメモデルでは見慣れた取り決めで、ファンアートを描く人には無料、それを売る人には別途ライセンスとなる。スタジオが採用するには話し合いが必要ということで、精度の数字がどうであれ、ほとんどのプロ利用者にとってはここが決め手になる。
このリリースが示すパターン
アニメ生成は二年かけて一つのスタックに収束してきた。ベースモデル、キャラクター LoRA の一群、そしてポーズ、線画、構図の制御レイヤー。各レイヤーは別の作者による小さなリリースで、たいていワークフローファイルと、失敗を列挙したカードが付く。
この構造にはコストがある。レイヤー間の互換性は誰の仕事でもなく、ベースモデルの更新が一度に四つのアドオンを壊しうる。利点もある。市場で最も洗練された側がずっと金を積んで手に入れようとしてきたもの、つまり失敗リストが公開されていることだ。作者がユーザーだからだ。
Anima-Control-Pose は小さなリリースで、正直なカードが付いている。面白い問いは 0.83 が良いかどうかではない。エコシステムがこの数字を出し続けるのか、それとも次のバージョンは分母のないデモ映像だけになるのか、そこだ。
分母は残しておく。判断できるようにしてくれるのは、それだけだ。
関連記事
中国製 Android のシステム UI に載った広告を切る、コミュニティ管理のタップ表
システムには触らず、アンロックも書き込みもしない。ベンダーがもともと用意したスイッチを一つずつ倒すだけだ。代償は、この一覧を書き続ける人が要ることにある。
GPT Image 2.6 はトークン単価を据え置き、請求額を上げた
GPT Image 2.6 は 2.5 のトークン単価をすべて引き継ぎながら、1 枚あたりの費用は上がった。仕事の多くが出力トークン側に移ったからだ。11 日目の価格構造は、ランキングより多くを語る。
外から IDM を作り直した人が、触れなかった部分を書き残した
Mister Download Manager は Internet Download Manager の流れを Rust で作り直し、5 倍の速度と 86 言語を掲げる。より興味深いのは、何もコピーせずにどう作ったのかを説明した段落のほうだ。
Rune はエージェントが自分の仕事を検証できるように作られた Rust UI フレームワーク
Rune はヘッドレスで描画し、要素ツリーを出力し、スクリプト化された入力を受け付ける。スクリーンショットでは決して得られない、diff できる信号をコーディングエージェントに渡せる。フレームワークはプレリリースで、プルリクエストは受け付けない。