本研究は，ゲーム制作におけるスプライト画像生成の負担を軽減するため，逐次的に動作フレームを生成可能な画像生成モデルの構築を目的とする．Encoder-Decoder，VAE，VAE＋U-Netの3種類のモデルを比較し，特に誤差が蓄積しやすい逐次生成に対する耐性を検証した．CharaMELで作成した1,200枚のスプライト画像を用いて学習を行い，SSIM，PSNR，LPIPSにより生成性能を評価した．その結果，VAE＋U-Netにノイズを加えて学習したモデルが最も高い頑健性と再構成性能を示し，品質劣化が最小であることを確認した．