本研究では、敵対的再帰型ニューラルネットワーク（adversarial recurrent neural networks）を基盤として、3Dアニメーターが新たなツールとして利用可能な、新規かつ堅牢な遷移生成技術を提案する。本システムは、時間的に疎なキーフレームをアニメーション制約として用いることで、高品質な運動を合成する。これは、従来のアニメーションプロセスにおける「インビット（in-betweening）」作業に類似しており、アニメーターが提示されたキーフレームの間に動きのフレームを描画する役割を果たす。まず、将来のキーフレームに関する条件情報を追加するだけでは、最先端の運動予測モデルを堅牢な遷移生成器に容易に変換できないことを示す。この課題を解決するため、ネットワーク構造内の潜在表現に各時刻ごとに適用可能な2つの新規な追加埋め込み修正手法を提案する。1つ目は「到着までの時間埋め込み（time-to-arrival embedding）」であり、単一のモデルで遷移長の変化を柔軟に扱えるようにする。2つ目は「スケジュールされたターゲットノイズベクトル（scheduled target noise vector）」であり、ターゲットの歪みに対して頑健性を確保するとともに、固定されたキーフレームから異なる遷移をサンプリング可能にする。本手法の定性的評価として、実際の制作環境でインビットを実行可能な、独自に開発したMotionBuilderプラグインを提示する。定量的な評価のため、広く用いられているHuman3.6Mデータセットのサブセットおよび、遷移生成に適した高品質なモーションキャプチャデータセットであるLaFAN1に対して、明確に定義されたインビットベンチマークを提示する。本研究と併せて、新たなデータセットを公開し、ベースライン結果の再現に必要なコードも併せて提供する。