画像アニメーションとは、ソース画像内のオブジェクトを、ドライビング動画の動きに従ってアニメーション化するための動画シーケンスを生成する技術である。本研究では、アニメーション化対象の特定オブジェクトに関するアノテーションや事前情報を利用せずに、この問題に取り組む。同じカテゴリ（例：顔、人体など）のオブジェクトを含む動画データセット上で学習を終えた後、本手法はそのクラスに属する任意のオブジェクトに適用可能である。これを実現するために、自己教師付きの定式化を用いて外見情報と運動情報の分離を図っている。複雑な運動を扱うため、学習されたキーポイント群とそれらの局所アフィン変換を組み合わせた表現を採用している。生成ネットワークは、ターゲットの運動に伴って生じる隠蔽（オクルージョン）をモデル化し、ソース画像から抽出した外見情報とドライビング動画から導出された運動情報を統合する。本フレームワークは、多様なベンチマークおよびさまざまなオブジェクトカテゴリにおいて最高の性能を達成しており、ソースコードは公開されている。