본 논문은 의료 영상 합성에서 높은 충실도, 다양성, 효율성을 동시에 확보하는 문제를 해결하기 위해 GAN 앙상블을 활용하는 방법을 제시합니다. 기존 GAN의 모드 붕괴 및 실제 데이터 분포의 불충분한 커버리지 문제를 해결하고자, 충실도와 다양성을 균형 있게 고려하는 다목적 최적화 문제를 통해 의료 데이터에 적합한 GAN 앙상블을 선택하는 방법을 제안합니다. 세 가지 의료 데이터셋을 사용하여 22가지 GAN 아키텍처와 다양한 손실 함수 및 정규화 기법을 실험하여, 110개의 고유한 구성을 만들고 평가했습니다. 실험 결과, 제안된 GAN 앙상블이 합성 의료 영상의 질과 유용성을 향상시켜 진단 모델링과 같은 후속 작업의 효율성을 높일 수 있음을 보여줍니다.
