本文研究差分隐私（DP）下的成对表格-图像多模态数据合成问题。在医疗、金融等真实场景中，常存在图像与结构化表格记录配对的数据，但现有DP合成方法多数只单独处理表格或图像，难以同时保证两种模态的保真度以及跨模态依赖关系。针对这一挑战，作者提出DP-TabImage，一个模态专用私有配对合成框架。该方法将联合分布p(x,y)分解为p_T(y)p_I(x|y)，其中表格分布采用私有概率图模型（PGM），图像分布使用表格条件扩散模型，通过DP-SGD训练。由于裁剪和噪声梯度的干扰，条件扩散较难训练，文章进一步提出在私有表格-图像原型上进行预训练：先从差分隐私方式构建属性条件图像，并将私有表格模型得到的表格向量与之配对，在不增加隐私预算的情况下提升条件学习。实验基于三个真实数据集，从表格保真度、图像保真度和跨模态对齐三个维度评估。结果证明DP-TabImage相对现有基线实现了更优的平衡。消融分析表明，视觉预热主要提高边缘图像质量，而对齐的表格-图像预热对于跨模态一致性的提升更为重要。代码开源。这项工作的核心贡献是首次为配对表格-图像数据提供专用DP合成框架，解决多模态在不同隐私机制下的兼容性问题，可作为隐私保护数据发布、数据增强等应用的潜在方案。适合研究差分隐私、生成式模型以及医疗、自动驾驶等敏感多模态数据的从业者阅读。