【画質検証】なぜ動画AIは「座りポーズの手指」を溶かすのか？MiniMax-H3でCore-Reuse（CR2）と層削減を全面禁止にした検証ログ

動画生成AIの開発において、もっとも厄介で欺瞞に満ちているのが「速度を稼ごうとして画質や音声を壊滅させる罠」です。

MiniMax-H3のDiT推論を高速化するアイデアとして、コミュニティや論文でしばしば提案されるのが「Core-Reuse（CR2：連続フレームでアテンション計算のコア結果を使い回す手法）」や、「トランスフォーマー層を50層から45層へ減らす層削減」です。公称スペックでは10〜15%の速度向上が謳われており、一見すると非常に魅力的に見えます。

しかし、私たちはこれらの手法を徹底的に検証した結果、本番パイプラインにおいて「永久不採用・全面禁止」を決定しました。特定の構図において手指が100%溶解し、全身カットで参照画像が画面全体に二重露光（ゴースト）し、発話の休止区間に謎の呟き声が湧き出るという致命的な劣化を引き起こしたからです。実際にこの罠を踏んだことで、過去に161本もの動画を作り直す羽目になった苦い教訓があります。

本記事では、なぜ動画AIは「座りポーズの手指」を溶かしてしまうのか、その深層メカニズムと検証ログを公開します。

1. なぜバストアップでは気づけないのか？検証プロンプトの盲点

高速化フラグを試した際、多くの開発者が「画質は変わらない」と錯覚してしまう最大の原因は、テストに使うプロンプトの構図にあります。

人物のバストアップ（胸から上）や、立ち姿で小道具を持っている構図では、画面内に占める手の解像度が大きいため、CR2や層削減を使っても目立った破綻が現れません。しかし、「椅子や床に座り、膝の上に手を置いている構図（検証コード: q890-tsubaki）」に切り替えた瞬間、惨劇が起きます。

• 通常（50層堅持）: 指の関節、爪、置かれた手の平の接地感が完璧に描き分けられる。
• CR2（Core-Reuse 2）適用時: 手指が1本の肉の塊のように癒着し、編み棒やペンなどの小道具が完全に溶解・消失する。

画面全体に対して手指が占めるピクセル面積が小さくなったとき、近似計算やキャッシュ再利用を行うと、高周波の空間クロスアテンションが最初に脱落します。構図を間違えて検証すると、この致命的な欠陥を見落としてしまうのです。

2. 全身カットで発生する「参照画像の二重露光（ゴースト）」

さらに恐ろしいのが、全身が映る引きの構図（448×800解像度など）で発生する「参照画像の二重露光（ゴースト焼き付き）」です。

Core-Reuse（CR2）を有効にした状態で動画を生成すると、フレームが進行しても参照画像（Reference Image）の残像がキャンバス一杯の半透明な像として薄く重なり続け、背景の上から被写体が幽霊のように二重に浮かび上がります。アテンションの潜在変数が各フレームで正しく更新されず、初期のキー・バリュー値が不自然にリークし続けるために発生する現象です。

3. 破壊的劣化の比較検証：CR2・層削減 vs 50層堅持

以下の比較表は、高速化の誘惑によって失われるクオリティの代償をまとめたものです。

表の数値が冷酷に示す通り、Core-Reuseや層削減によって得られるのは「わずか10〜15%程度の速度短縮」にすぎません。その代償として、手指が溶け、背景に顔が焼き付き、音声に異音が混ざるという、商用利用では絶対に許容できない品質崩壊を招きます。この検証を経て、私たちは「3step運用であってもトランスフォーマー層は50層を絶対に削らない」「アテンションはDenseを堅持する」という鉄則を確立しました。

4. 現場から得られたテスト検証の知見

1. 手・指の品質検証は必ず「座り構図（膝上の手）」で行うこと
   バストアップの構図では劣化を検出できません。手が最も小さく描かれるポーズでA/Bテストを行ってください。
2. 引きの全身カットで二重露光を必ず自動チェックすること
   高速化フラグをオンにした際は、背景差分スクリプトで参照画像の残像が残っていないかピクセル単位で検査する必要があります。
3. 1構成1本で合否を判断しないこと
   動画生成は同一seedであっても微妙な確率的揺らぎがあります。最低でも複数のプロンプトとシードで破綻率を統計的に確認することが重要です。

5. よくある疑問と本音（FAQ）