差分隐私图像合成旨在从敏感数据集中生成合成图像，缓解组织共享和使用合成图像时的隐私泄露问题。现有方法（如使用差分隐私随机梯度下降训练扩散模型）虽然取得进展，但性能仍不理想。受课程学习启发，本文提出一种两阶段差分隐私图像合成框架，让扩散模型从易到难地学习生成差分隐私图像。第一阶段为“简单阶段”，模型先学习敏感图像的简单特征；为此提出使用“中心图像”——即随机采样敏感数据集的聚合结果。这些中心图像虽不展示细节，但能体现所有图像的有用特征，且仅消耗极小的隐私预算，有助于模型早期训练。第二阶段再使用DP-SGD训练完整模型。实验在四个图像数据集上平均表明，合成图像的保真度和效用指标分别比当前最优方法提升33.1%和2.1%。论文提供了可复现的代码和数据集。

本文针对差分隐私（DP）图像合成领域的研究现状，指出当前存在不一致甚至存在缺陷的评估协议，阻碍了方法的理解和领域发展。为此，作者提出了DPImageBench，一个统一的基准测试框架，从三个维度精心设计：（1）方法层面，研究了12种主流方法，并基于模型架构、预训练策略和隐私机制进行系统分类；（2）评估层面，包含9个数据集和7项指标，全面评估各方法性能，特别纠正了常见的不当做法——在敏感测试集上根据最高准确率选择下游分类器，这既违反DP原则又高估了效用；（3）平台层面，提供标准接口，支持当前和未来的实现统一集成。通过DPImageBench，作者获得若干重要发现，例如，与通常认为公共图像数据集预训练总是有益的常识相反，预训练数据与敏感图像的分布相似性对合成图像性能有显著影响，且并非总能带来提升。源代码已公开。本文适合差分隐私、生成模型、图像合成领域的研究者和工程师阅读。

该论文研究差分隐私（DP）图像合成问题，旨在从敏感数据集中生成保留统计特征的图像，同时提供严格的隐私泄漏保证。现有方法通常使用差分隐私随机梯度下降（DP-SGD）对公共模型进行全量微调，但公共模型参数数量庞大，导致计算成本高昂。近期工作启发式地采用低秩自适应（LoRA）对所有注意力层参数进行微调以减少可训练参数，然而在DP设置下，对所有注意力层参数进行LoRA覆盖是次优的，因为噪声会累积并导致训练崩溃。为解决此问题，论文提出DP-SAPF（Saliency-Aware Parameter Fine-tuning），一种显著性感知的参数微调方法。核心思路是：较大的梯度幅值表示较高的显著性，这些参数对DP学习最为关键。具体地，将敏感图像输入公共模型，计算梯度并添加噪声以满足DP要求，然后识别出在敏感图像上具有高梯度幅值的显著参数，仅对这些参数进行LoRA微调。在四个敏感图像数据集上的实验表明，DP-SAPF相比无参数选择的微调方法，在相同或更少计算资源下，提升了合成图像的效用和保真度。该方法适用于需要基于敏感数据（如医疗影像、人脸数据）生成合成图像以支持数据分析或模型训练的场景，同时满足差分隐私合规要求。