확산 모델의 발전으로 특정 대상(인물, 물체 등)의 고품질 합성이 가능해졌지만, 이는 개인 정보 침해 위험을 증가시킨다. 이 문제를 해결하기 위해, 본 논문은 대상의 개인화를 방해하는 새로운 프레임워크인 Anti-Personalized Diffusion Models (APDM)을 제안한다. APDM은 기존 손실 함수의 한계를 분석하고, Direct Protective Optimization (DPO)이라는 새로운 손실 함수와 Learning to Protect (L2P)라는 듀얼 패스 최적화 전략을 도입하여 확산 모델 자체를 보호한다. 실험 결과는 APDM이 기존 방법보다 우수한 성능을 보이며 무단 개인화를 효과적으로 방지함을 보여준다.
