최근 기계 학습에서 식별 가능한 정보로 인한 개인정보 보호 문제에 대한 우려가 점점 커지고 있다. 그러나 기존의 포트레이트 마팅(포트레이트 마스킹) 기법들은 모두 식별 가능한 이미지에 기반하여 개발되었다. 이러한 격차를 메우기 위해, 우리는 개인정보 보호를 위한 포트레이트 마팅(P3M: Privacy-Preserving Portrait Matting)을 위한 첫 번째 대규모 익명화 기준 데이터셋인 P3M-10k를 제안한다. P3M-10k는 고해상도의 얼굴 흐림 처리된 포트레이트 이미지 10,421장과 고품질 알파 마트(Alpha Matte)를 포함하고 있으며, 이는 트리마프 없는 방식과 트리마프 기반 방식의 마팅 기법을 체계적으로 평가할 수 있게 하며, 개인정보 보호 학습(PPT: Privacy-Preserving Training) 환경에서 모델의 일반화 능력에 관한 유의미한 통찰을 도출할 수 있도록 한다. 또한 CNN과 트랜스포머 기반 아키텍처 모두와 호환 가능한 통합형 마팅 모델인 P3M-Net을 제안한다. PPT 환경 하에서의 도메인 간 성능 격차 문제를 더욱 완화하기 위해, 공개된 유명인 이미지에서 얼굴 정보를 가져와 데이터 및 특징 수준에서 네트워크가 얼굴 맥락을 재획득하도록 유도하는 간단하면서도 효과적인 ‘복사-붙여넣기’ 전략(P3M-CP)을 설계하였다. P3M-10k 및 공개 기준 데이터셋을 활용한 광범위한 실험을 통해 P3M-Net이 최신 기법들에 비해 우수한 성능을 보이며, P3M-CP가 도메인 간 일반화 능력을 향상시키는 데 효과적임을 입증하였다. 이는 향후 연구 및 실용적 응용에서 P3M의 매우 중요한 의의를 시사한다.