첫 프레임의 정체성을 유지하면서 정밀한 운동 제어를 보장하는 것은 인간 이미지 애니메이션 분야에서 핵심적인 도전 과제이다. 현재 주류인 참조 이미지에서 영상으로(R2V, Reference-to-Video)의 이미지-운동 바인딩 과정은 실제 응용 환경에서 흔히 발생하는 중요한 공간-시간적 불일치를 간과하고 있어, 정체성 이탈(identity drift) 및 시각적 아티팩트 등의 실패 현상을 초래한다. 본 연구에서는 첫 프레임의 정체성 보존을 강력하게 보장하는 최초의 이미지-영상(I2V, Image-to-Video) 기반 프레임워크인 SteadyDancer를 제안한다. 먼저, 정밀한 제어를 유지하면서도 충실도(fidelity)를 희생하지 않도록 하기 위해, 상충되는 두 가지 조건을 조화롭게 조정하는 조건 재조정 메커니즘(Condition-Reconciliation Mechanism)을 제안한다. 둘째, 참조 이미지와 높은 호환성을 갖는 적응적이고 일관된 자세 표현을 생성하기 위해 상호보완적 자세 조절 모듈(Synergistic Pose Modulation Modules)을 설계한다. 셋째, 운동 충실도, 시각 품질, 시간적 일관성 측면에서 계층적으로 모델을 최적화하기 위해 단계적 분리된 목적 함수 학습 파이프라인(Staged Decoupled-Objective Training Pipeline)을 도입한다. 실험 결과, SteadyDancer는 외형 충실도와 운동 제어 성능 모두에서 최신 기준(SOTA, State-of-the-Art) 수준의 성능을 달성하면서도, 유사한 기법들에 비해 훨씬 적은 학습 자원을 요구함을 입증하였다.